半導体業界でスーパーギャップ技術を確保する…ニューロモルフィックコンピューティングはどのように行われるのでしょうか?

半導体パラダイム「継続的なプロセスの進歩」の変化に対応する方法
ニューロモルフィックコンピューティングへの関心の高まり…脳のようなコンピューティング手法の実装による

漢ファジン環境相(左から2人目)は、6月29日朝、忠清北道陰城郡にあるDBハイテックのサンウ工場を訪問し、製造工程を視察している。 [연합뉴스]

半導体産業は今活況を呈しています。 米国と中国の間の技術的覇権をめぐる競争が激化するにつれ、世界のサプライチェーンはCOVID-19のパンデミックの影響を受け、半導体が不足します。 その結果、米国での設計、日本とヨーロッパでの部品と材料、台湾での生産、韓国での記憶、中国でのセミドライバーの製造など、既存のグローバルな分業への依存を打破する試みがなされています。 。

米国と欧州は半導体製造設備の拡張を開始しており、中国は独自の半導体ソース技術の開発を加速しています。

また、人工知能(AI)の急速な発展に伴い、半導体のパラダイムも変化しており、大規模なデータ処理や推論に特化したAI半導体の需要が高まっています。 人工知能の時代に対応するためのコンピューティング技術の基盤としての半導体の重要性は残っています。

尹錫淵(ユン・ソクヨル)政府も半導体産業の振興に非常に関心を持っている。 ハイテク産業の進化は速すぎて、記憶の分野の優位性を信じることができません。 変化する市場で競争力を維持する必要があります。 科学技術情報通信部は最近、AI半導体のスーパーギャップ技術を確保するために、今後5年間で1兆ウォン以上を投資する計画を発表しました。

近い将来の半導体市場の課題は、既存のナノ半導体プロセスの進歩を極限まで追求すると同時に、AI半導体技術を確保して、技術的優位性を競う国々の間でその地位を確固たるものにすることです。

その一方で、より効率的で消費電力の少ない新しいレベルの半導体とコンピューティングの可能性を探る試みがなされています。 人間の脳をより直接的に模倣するニューロモルフィックコンピューティング。 コンピューティングの次の時代に備えて事前に準備するジェスチャーです。

コンピューティングの限界に近づいていますか?

現在のコンピューターには構造上の問題があります。 これは、計算とメモリを分離する「フォンノイマン」構造の制限によるものです。

ハンガリーの科学者フォンノイマンは、プログラムとデータをメモリ領域に格納する方法を見つけました。コンピューティングユニット(CPU)が計算を実行し、必要に応じてメモリからそれらを取得します。 2つの領域は互いに分離されており、必要なデータは「バス」と呼ばれるパスに沿ってCPUに送られます。

最初のコンピューターとして知られる「ENIAC」は、新しい計算を実行するたびに、チューブスイッチング回路を再校正する必要がありました。 一方、フォンノイマンが提案した方法を使用すると、ハードウェアを1つずつ調整しなくても、ストアドプログラムを呼び出して計算を簡単に実行できます。 私たちが現在使用しているコンピューターの急速な発展は、この原理に基づいて可能でした。

ただし、コマンドとデータはバスと呼ばれるルートを継続的に移動する必要があるため、データ量が増えると、2つのエリア間を移動するプロセスがボトルネックになります。 速度が低下し、発熱と消費電力が増加します。 「ムーアの法則」に見られるように、コンピューターはかつてないほど急速に進歩しています。 しかし、回路の線幅が数ナノメートルに減少すると、技術開発が遅くなり、熱と電子の動きによる干渉が増加します。

さらに、超巨大な人工知能モデルが登場すると、エネルギー消費量が増加します。 OpenAIによって開発されたGPT-3自然言語処理モデルは、1,750億のパラメーターでトレーニングされました。 トレーニングデータが増えると、大量の電力を消費します。 GPT-3を1回学習するのに必要な電力は1時間あたり約1.3ギガワットで、これは全国で1分間に消費される電力量に相当します。

人工知能の使用の増加は止められない傾向ですが、人工知能を最大限に使用しようとすると、カーボンニュートラルによって妨げられます。

脳をより厳密に模倣する

これが、ノイマン型構造を超えて、生物の脳に近い計算方法を確立することを目的としたニューロモルフィックコンピューティングへの関心が高まっている理由です。

脳は、並列に接続された多くのニューロン、つまりニューロンとそれらを接続するシナプスに基づいて情報を処理します。 1000億のニューロンと100兆のシナプスを持つ人間の脳は、世界で最も進んだ考えですが、電球を点灯するのに十分なエネルギーを使用しています。

実際、ニューロンは重要な信号のみを受け入れ、他の信号を無視してエネルギー消費を最小限に抑えます。 大きな刺激が来ると、平らなグラフを描くために使用される信号が突然ジャンプします。 重要な信号はスパイクとして上昇し、シナプスを介して隣接するニューロンに伝達されます。

フォンノイマン構造では、信号は常に狭い経路を行き来する必要がありますが、脳では、意味のある信号が、並列に接続された多くのニューロンとシナプスの間を優先的に通過します。 重要でない情報はあまり伝えられません。 さらに、2つの状態0と1に基づいて動作する一般的なコンピューターとは異なり、アナログ感覚信号を連続した形で効果的に送信できます。

このようなスパイクベースのニューラルネットワークの実装は、ニューロモルフィックコンピューティングの中心です。 ニューロンとシナプスを模倣することにより、点のような方法で信号を処理するニューロモルフィックデバイスを開発する試みが進行中です。 Intelは「Loihi」ニューロモルフィックチップを発売し、IBMやスタンフォード大学などの国内外の企業や主要大学も開発に挑戦しています。

意味のある刺激を与えるプロセスを再現できるデバイスとして、メモリスタが注目されています。 Memristorは、電子部品の一種である「メモリ」と「抵抗器」の複合語です。 抵抗力は電流の流れや天候の変化に応じて変化し、電源が切れる直前の電流の方向と量を記憶するという特徴は、ニューロンやシナプスの振る舞いに似ています。

ニューロモルフィックデバイスは、受信した信号を効率的に処理できるため、視覚や触覚などのセンサーから受信した感覚を即座に認識、判断、使用するデバイスを作成できます。 現在、AIによる画像認識は実生活で利用され始めていますが、消費電力が大きいため日常生活への応用は困難です。 一方、ニューロモルフィックコンピューティングが進歩するにつれて、消費電力が少なくなり、処理速度が速くなるため、モバイルデバイスや単純なデバイスで使用できます。 センシングと情報処理が同時に行われる、いわゆる「センサー統合コンピューティング」の時代が幕を開けています。

ただし、制限を認識する必要があります。 ニューロモルフィックコンピューティングには、脳の理解がまだ不足している状況でも制限があります。 短期間で結果を期待することは困難です。 しかし、人間の思考に代わる人工知能の需要が高まるにつれ、究極の思考と感覚機械への関心が高まるでしょう。

※電子レポーター兼Dong-Aサイエンスデイリーニュースチームリーダーを務めました。 テクノロジーと人々がどのように相互に影響を及ぼし、変化するかを見るのは常にエキサイティングです。 [어린이를 위한 디지털과학 용어 사전]構築された、 [네트워크전쟁]移動しました

SeheeHanITコラムニスト

Noya Tadashi

「典型的な思想家。謝罪のないアルコール依存症。インターネット狂信者。ポップカルチャーの擁護者。テレビ中毒者。」

コメントを残す

メールアドレスが公開されることはありません。