工学：エネルギー効率の高い音声認識と書き起こしのためのアナログAIチップ

数十億個のパラメーターを持つ人工知能（Al）のモデルは、一連のタスクにわたって高い精度を実現し得るが、画像処理装置（GPU）や中央処理装置（CPU）などの従来型の汎用プロセッサーの低いエネルギー効率をさらに低下させる。アナログ・インメモリー・コンピューティング（アナログAI）は、「メモリータイル」上で行列とベクトルの乗算を並列に実行することによって、エネルギー効率を高めることができる。しかし、アナログAIでは、多くのそうしたタイルと、タイル間でのニューラルネットワーク活性化の高効率通信を必要とするモデル上で、ソフトウエアと等価な（SW_eq）精度がまだ実証されていない。今回我々は、34個のタイルにわたる3500万個の相変化メモリーデバイス、超並列タイル間通信、アナログ低消費電力周辺回路を組み合わせた、最高で12.4テラ演算毎秒毎ワット（TOPS/W）のチップ実効性能を達成できるアナログAIチップを報告する。我々は、4500万以上の重みを5つのチップにわたる1億4000万個以上の相変化メモリーデバイスにマッピングし、小規模のキーワードスポッティングネットワークでは完全にエンドツーエンドのSW_eq精度を、はるかに大規模なMLPerfリカレントニューラルネットワークトランスデューサー（RNNT）ではSW_eqに近い精度を実証した。

目次へ戻る