IBM的研究人員表示，他們已經設計出了一種編程方法，可以實現更高的準確性，并降低能源消耗。這項技術有望為依賴人工智能的移動設備、無人機和機器人進行更復雜的編程。

    人工智能系統(tǒng)通常采用程序來劃分內存和處理單元。這種做法意味著在兩個路徑點之間傳輸數據要花費大量時間。數據傳輸量大到足以產生昂貴的能源標簽。

    《自然通訊》雜志本周報道稱，IBM設計了一種方法，該方法依賴于相變內存PCM，能夠以更快、更便宜的模式執(zhí)行代碼。這是一種隨機存取存儲器，它包含可以在非晶和晶態(tài)之間快速變化的元素，提供優(yōu)于更常用的閃存模塊的性能。它也被稱為P－RAM或PCM。一些人將其稱為“完美的RAM”，因為它具有非凡的性能。

    PCM依賴于硫族玻璃，這種玻璃有一種獨特的能力，可以在電流通過時改變其狀態(tài)。由惠普公司最先開發(fā)的相變技術的一個關鍵優(yōu)勢是，存儲狀態(tài)不需要持續(xù)的電源來保持穩(wěn)定。在PCM中添加數據不需要擦除周期，這是其他類型內存存儲的典型特征。此外，由于代碼可以直接從內存中執(zhí)行，而不是復制到RAM中，因此PCM的運行速度更快。

    在圖像和語音識別、游戲和機器人等領域，依賴于深度神經網絡的操作要求越來越高，需要更高的效率。

    “IBM將PCM與人腦進行了比較，并指出PCM“沒有單獨的存儲和計算數據的區(qū)域，因此消耗的能量明顯更少”。PCM的一個缺點是由于讀和寫電導噪聲導致的計算誤差。IBM通過在AI 培訓課程中引入這種噪音來解決該問題。

    IBM的報告指出：“我們的假設是，在DNN訓練期間注入與設備噪聲相當的噪聲會提高模型的魯棒性。”他們的假設是正確的。他們的模型達到了93．7％的準確度，IBM研究人員稱這是同類存儲器硬件所能達到的最高準確度。

    IBM表示，需要做更多的工作才能獲得更高的準確性。他們正在使用小型卷積神經網絡和生成對抗網絡進行研究，并且最近在神經科學前沿報道了他們的進展。在一個越來越多地向基于人工智能的技術過渡的時代，包括物聯(lián)網電池驅動的設備和自動駕駛汽車，這些技術將極大地受益于快速、低功率、可靠準確的DNN推理引擎。