Analog AI承诺初创公司可以在PC上提供强大的功能

普林斯顿大学的Naveen Verma的实验室就像一个博物馆一样，它展示了工程师试图通过使用模拟现象比数字计算来改善AI的超经济学。在工作台中，是有史以来最有效的能量。在另一个位置，您会找到一个基于内存的芯片，该芯片计算迄今为止任何AI模拟系统中最大的数字矩阵。 Verma引用了本文，他说也没有商业前景。并非如此，他的实验室的这一部分是一个公墓。多年来，Analog AI吸引了芯片建筑师的想象。它结合了两个基本概念，这些概念应大大降低机器学习的强度强度。首先，它限制了内存和处理器内存之间的昂贵运动。其次，这不是逻辑1和0s，而是电流的物理学用于很好地学习机器。虽然这个想法是有吸引力的 - 多种AI模拟解决方案的实施方式并没有真正消除AI能量的令人震惊的食欲。 Velma会知道的。他尝试了一切。但是，当一年前IEEE频谱访问时，Verma Labs背后有一个芯片，这代表了对AI限制的希望，并且对使AI有益且普遍存在所需的能量进行了出色的计算。芯片不是使用电流计算的，而是电荷组成的。这似乎是无关的差异，但是要克服防止所有其他模拟解决方案和SA AI的噪声可能是关键。本周，Verma初创公司Launs Launs Launs Encharge AI基于此新建筑，这是第一个芯片EN100。 Startup表示，芯片可以处理各种AI工作，并且每瓦的芯片比竞争对手的芯片高20倍。它设计为单个处理器卡，每秒增加了200万亿瓦的操作，至8.25瓦，旨在扩大支持AI的笔记本电脑的电池寿命。最重要的ly，一张4芯片卡，每秒1,000万亿个操作对AI工作站的目标。目前，巧合的是，机器的学习是“事实证明是愚蠢的运气，我们要做的主要是将矩阵倍增。”它通常需要一组数字，将其乘以另一个数组，并添加所有这些复制品的结果。 Maagafter All，工程师注意到一个团结：电气工程的两个基本政策可以准确地完成此任务。欧姆法律说，您可以通过乘电压和行为来获得最新。基洛夫（Kieloff）目前的法律指出，如果一堆波浪从一堆电线进入点，这些波浪的总和将留下这一点。因此，实际上，每串输入电压都通过电阻驱动电流（行为是电阻的奖励），乘以电压量，所有这些波增加以产生值。数学，结束了。听起来不错？好吧，会更好。组成神经网络的大多数数据是“我们即“要增加数据的输入”。从内存到处理器的逻辑传输到完成这项工作的逻辑，提供了GPU消耗的大部分能量。相反，在大多数模拟AI方案中，大多数模拟AI方案，重量都可以作为电导率值（上面的电阻值）存储在不需要的位置，而不是blur blur blur blur to to blur blur to to blur blur the as to blur blur，因为它是blur的。不幸的是，有很多能量可以实现自由数学和稳定的状态数据，而不幸的是，这不是AI的主要问题的主要问题。来源。Verma说：“假设您有一个模拟神经网络，将重量作为行为存储在单个RRAM电池中。通过将RRAM电池中相对较高的电压设置为指定的时间段内，可以存储此类重量值。问题是，问题是，在两个电池中，在两个电池中都可以在两个电池上设置两个电池的电压，并且这些电池均与这些电池相同的范围较差，而这些电池的行为却差不多。温度可能很小，但是请记住，操作会增加很多，因此噪声会更糟，然后将生成的电流转换为电压，作为对下一个神经网络的输入，进一步增加了噪音。其他公司致力于制造具有尽可能预测行为的设备。 IBM都在这一领域进行了广泛的研究。这些技术在较小的系统中具有竞争力，尽管在广告中不良，但这些芯片旨在为物联网网络侧面的设备提供低强度研究。早期的参赛神话AI制作了一代以上的模拟AI芯片，但它在Fieldan成功的低强度数字芯片中竞争。 PC的EN100卡是模拟AI芯片的新架构。通过研究机器学习的乘法来测量电荷量而不是电荷流，以所有encharge解决方案来消除噪声，以消除噪声。在传统的AI类似物中，增加取决于电压，行为和电流之间的关系。在这个新解决方案中，它取决于电压，容量和电荷之间的链接，而电荷等于CA很重要。能力乘以电压。为什么这种差异很重要？这取决于执行繁殖操作的成分。 Encharge不使用Rraang M之类的东西是一种关键的，弱的设备，而是使用电容器。电容器通常是夹在绝缘体中的两个导体。导体之间的电压差会带来一个电荷积聚在一个导体中。对于机器研究，他们的关键是其价值（容量）取决于它们的尺寸。 （导体之间的较大导体区域或较小的空间意味着更大的容量。M Samsung Venture，Foxconn等）计划NA还有另一个早期的合作。但是，恩菲格（Encharge）与大型竞争对手卡胡纳（Kahuna）Nvidia进入了一个高度竞争的领域。在3月GTC开发人员的重大活动中，NVIDIA宣布了计划在GB10 CPU-GPU投资组合周围建造PC产品，并在即将到来的GB300周围建造工作站。在低调的地区将会有很多竞争。其中一些还使用某些形式的内存计算。例如，D-Matrix和Axelera继承了模拟AI将内存嵌入计算中的承诺，但要做数字化的所有操作。每个人都开发了可以存储和乘以数字方式的自定义SRAM存储单元。即使是更传统的模拟AI初创公司也称为Sagence。毫不奇怪，Verma是乐观的。他在一份陈述中说，技术前“意味着先进，安全和个性化的AI在本地运行，而无需依靠云基础架构。” “我们希望它将开始抛弃您可以使用AI的功能。”