Sebuah foto contoh dari sebuah chip terintegrasi yang berisi susunan palang memristor dengan berbagai ukuran yang dibuat di UMass Amherst. Kredit: Bisakah Li
Penelitian UMass Amherst menunjukkan bahwa perangkat memristor dapat memecahkan masalah ilmiah yang kompleks dengan menggunakan energi yang jauh lebih sedikit, sehingga mengatasi salah satu rintangan utama komputasi digital.
Sebuah tim peneliti termasuk insinyur Universitas Massachusetts Amherst telah membuktikan bahwa perangkat komputasi analog mereka, yang disebut memristor, dapat menyelesaikan tugas komputasi ilmiah yang kompleks sambil melewati batasan komputasi digital.
Mengatasi Tantangan Komputasi Modern
Banyak pertanyaan ilmiah penting saat ini—dari skala nano pemodelan material hingga ilmu iklim skala besar—dapat dieksplorasi menggunakan persamaan yang kompleks. Namun, sistem komputasi digital saat ini sudah mencapai batas kemampuannya dalam melakukan komputasi dalam hal kecepatan, konsumsi energi, dan infrastruktur.
Qiangfei Xia, profesor teknik elektro dan komputer UMass Amherst, dan salah satu penulis terkait penelitian yang dipublikasikan di jurnal Sainsmenjelaskan bahwa, dengan metode komputasi saat ini, setiap kali ingin menyimpan informasi atau memberikan tugas pada komputer, diperlukan perpindahan data antara memori dan unit komputasi. Dengan tugas-tugas kompleks yang memindahkan data dalam jumlah besar, pada dasarnya Anda mengalami semacam “kemacetan lalu lintas”.
Merevolusi Komputasi Dengan Teknologi Memristor
Salah satu cara komputasi tradisional bertujuan untuk mengatasi masalah ini adalah dengan meningkatkan bandwidth. Sebaliknya, Xia dan rekan-rekannya di UMass Amherst, Universitas Southern California, dan pembuat teknologi komputasi, TetraMem Inc. telah menerapkan komputasi dalam memori dengan teknologi memristor analog sebagai alternatif yang dapat menghindari kemacetan tersebut dengan mengurangi jumlah transfer data.
Komputasi dalam memori tim bergantung pada komponen listrik yang disebut memristor—kombinasi memori dan resistor (yang mengontrol aliran listrik dalam suatu rangkaian). Memristor mengontrol aliran arus listrik dalam suatu rangkaian, sekaligus “mengingat” keadaan sebelumnya, bahkan ketika daya dimatikan, tidak seperti chip komputer berbasis transistor saat ini, yang hanya dapat menyimpan informasi saat ada daya. Perangkat memristor dapat diprogram menjadi beberapa tingkat resistansi, sehingga meningkatkan kepadatan informasi dalam satu sel.
Meningkatkan Efisiensi Komputasi
Ketika diorganisasikan ke dalam susunan palang, sirkuit memristif seperti itu melakukan komputasi analog dengan menggunakan hukum fisika secara paralel secara masif, sehingga secara substansial mempercepat operasi matriks, komputasi yang paling sering digunakan namun sangat haus daya dalam jaringan saraf. Komputasi dilakukan di lokasi perangkat, bukan memindahkan data antara memori dan pemrosesan. Dengan menggunakan analogi lalu lintas, Xia membandingkan komputasi dalam memori dengan jalanan yang hampir kosong yang terlihat pada puncak pandemi: “Anda menghilangkan kemacetan karena (hampir) semua orang bekerja dari rumah,” katanya. “Kami bekerja secara bersamaan, tetapi kami hanya mengirimkan data/hasil yang penting saja.”
Sebelumnya, para peneliti ini menunjukkan bahwa memristor mereka dapat menyelesaikan tugas komputasi dengan presisi rendah pembelajaran mesin. Aplikasi lain termasuk pemrosesan sinyal analog, penginderaan frekuensi radio, dan keamanan perangkat keras.
Terobosan dalam Komputasi Presisi Tinggi
“Dalam karya ini, kami mengusulkan dan mendemonstrasikan arsitektur sirkuit baru dan protokol pemrograman yang dapat secara efisien merepresentasikan angka-angka dengan presisi tinggi menggunakan jumlah tertimbang dari beberapa perangkat analog dengan presisi yang relatif rendah, seperti memristor, dengan overhead yang sangat berkurang dalam sirkuit, energi dan latensi dibandingkan dengan pendekatan kuantisasi yang ada,” kata Xia.
“Terobosan untuk makalah khusus ini adalah kita mendorong batas-batas tersebut lebih jauh lagi,” tambahnya. “Teknologi ini tidak hanya bagus untuk komputasi jaringan saraf dengan presisi rendah, namun juga bagus untuk komputasi ilmiah dengan presisi tinggi.”
Untuk demonstrasi pembuktian prinsip, memristor memecahkan persamaan diferensial parsial statis dan evolusi waktu, persamaan Navier-Stokes, dan masalah magnetohidrodinamik.
“Kami mendorong diri kami keluar dari zona nyaman kami sendiri,” katanya, memperluas melampaui persyaratan jaringan syaraf tepi komputasi presisi rendah ke komputasi ilmiah presisi tinggi.
Dibutuhkan lebih dari satu dekade bagi tim dan kolaborator UMass Amherst untuk merancang perangkat memristor yang tepat dan membangun sirkuit dan chip komputer yang cukup besar untuk komputasi dalam memori analog. “Penelitian kami dalam dekade terakhir telah menjadikan memristor analog sebagai teknologi yang layak. Ini adalah saatnya untuk memindahkan teknologi hebat ke dalam industri semikonduktor untuk memberikan manfaat bagi komunitas perangkat keras AI secara luas,” kata Xia.
Referensi: “Memrogram susunan memristor dengan presisi tinggi untuk komputasi analog” oleh Wenhao Song, Mingyi Rao, Yunning Li, Can Li, Ye Zhuo, Fuxi Cai, Mingche Wu, Wenbo Yin, Zongze Li, Qiang Wei, Sangsoo Lee, Hengfang Zhu, Lei Gong, Mark Barnell, Qing Wu, Peter A. Beerel, Mike Shuo-Wei Chen, Ning Ge, Miao Hu, Qiangfei Xia dan J. Joshua Yang, 22 Februari 2024, Sains.
DOI: 10.1126/science.adi9405
