Dok je većina računarstva na svetu još uvek digitalna, podaci oko nas se snimaju u analognom obliku preko senzora – slike preko kamera, temperature i zvuka, na primer, i moraju se konvertovati u digitalni oblik radi preciznosti. Ali zamislite autonomno vozilo koje treba da uhvati ono što je na putu, a zatim da trenutno donese odluke: ove podatke treba veoma brzo konvertovati sa malo energije i velikom preciznošću.
Šta ako bi novo dizajnirani analogni čipovi mogli da obezbede preciznost digitalnog računarstva sa prednostima analognog računarstva koje štede energiju i velike brzine? Rad pod naslovom „Programiranje nizova memristora sa proizvoljno visokom preciznošću za analogno računarstvo“ objavljen je u časopisu Science.
Memristor je relativno mala komponenta kola koja veoma efikasno skladišti i obrađuje podatke. U prethodnom radu iz laboratorije USC Viterbi School of Engineering, profesor elektrotehnike i računarstva, J. Joshua Iang, istraživači su mogli da podese memristor kako bi postigli neviđenu preciznost.
Njegova laboratorija, u okviru USC Viterbi i njegove škole za napredno računarstvo, fokusirana je na razvoj uređaja za računarstvo. Laboratorija je dizajnirala novo kolo i arhitekturu kako bi se postigla još veća preciznost sa istim memristorima, što bi moglo u velikoj meri proširiti primenu takve tehnologije izvan tradicionalne teritorije niske preciznosti, kao što su neuronske mreže.
Štaviše, kaže Jang, ova inovacija je primenljiva i na druge vrste memorijskih tehnologija, uključujući magnetne memorije koje koriste isti uređaj kao glava za čitanje magnetnih hard diskova, i memorije sa promenom faze koje koriste isti materijal kao kompaktni diskovi (CD-ovi).
Obično je, kaže Jang, veoma izazovno brzo programirati analogni uređaj precizno na ciljnu vrednost. Jangova laboratorija je razvila arhitekturu kola i odgovarajuće algoritme da se uradi upravo to. Ova inovacija čini analogno računarstvo pomoću analognih uređaja mnogo privlačnijim za mnoge aplikacije.
Jang kaže da ima „veću efikasnost i veću brzinu sa preciznošću digitalnih sistema“.
Ova vrsta poboljšanja je kritična, kaže Jang, jer se takve inovacije mogu primeniti na obuku neuronskih mreža koje su potrebne za razvoj veštačke inteligencije (AI) i mašinskog učenja (ML), ali se do sada mogu uraditi veoma skupo sa digitalnim sistemima. Inovacija će takođe omogućiti nove aplikacije izvan veštačke inteligencije i ML, kao što je naučno računarstvo, kao što je vremenska prognoza.
