Chip de IA revolucionario trasciende límites de transistores, ofreciendo poder computacional masivo

Electrónica y Sensores INSIDER

Investigadores de Princeton han reimaginado totalmente la física de la computación para construir un chip para cargas de trabajo modernas de IA. Y con nuevo respaldo del gobierno de EE. UU. verán qué tan rápido, compacto y eficiente energéticamente puede ser este chip. Un prototipo temprano se muestra arriba. (Imagen: Hongyang Jia/Universidad de Princeton)

Alianza DARPA-Princeton para chips de IA de próxima generación

La organización de investigación más grande del Departamento de Defensa se ha asociado con un esfuerzo liderado por la Universidad de Princeton para desarrollar microchips avanzados para inteligencia artificial.

El nuevo hardware reimagina chips para cargas de trabajo modernas que pueden ejecutar sistemas de IA poderosos usando mucha menos energía que los semiconductores más avanzados de hoy, según Naveen Verma, profesor de ingeniería eléctrica y de computación. Verma, quien liderará el proyecto, dijo que los avances rompen barreras clave que han obstaculizado chips para IA, incluyendo tamaño, eficiencia y escalabilidad.

Los chips que requieren menos energía pueden desplegarse para ejecutar IA en entornos más dinámicos, desde laptops y teléfonos hasta hospitales y autopistas hasta órbita baja terrestre y más allá. Los tipos de chips que alimentan los modelos más avanzados de hoy son demasiado voluminosos e ineficientes para ejecutarse en dispositivos pequeños, por lo que están principalmente limitados a racks de servidores y grandes centros de datos.

Ahora, la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA) ha anunciado que apoyará el trabajo de Verma, basado en una suite de invenciones clave de su laboratorio, con una subvención de $18.6 millones. El financiamiento de DARPA impulsará una exploración sobre qué tan rápido, compacto y eficiente energéticamente puede ser el nuevo chip.

"Hay una limitación bastante importante con la mejor IA disponible solo estando en el centro de datos", dijo Verma. "La desbloqueas de eso y las formas en que podemos obtener valor de la IA explotan."

Programa OPTIMA y colaboración con EnCharge AI

El anuncio llegó como parte de un esfuerzo más amplio de DARPA para financiar "avances revolucionarios en ciencia, dispositivos y sistemas" para la próxima generación de computación de IA. El programa, llamado OPTIMA, incluye proyectos en múltiples universidades y empresas. La convocatoria de propuestas del programa estimó financiamiento total en $78 millones, aunque DARPA no ha revelado la lista completa de instituciones ni el monto total de financiamiento que el programa ha otorgado hasta la fecha.

En el proyecto liderado por Princeton, los investigadores colaborarán con la startup de Verma, EnCharge AI. Basada en Santa Clara, CA, EnCharge AI está comercializando tecnologías basadas en descubrimientos del laboratorio de Verma, incluyendo varios artículos clave que co-escribió con estudiantes de posgrado en ingeniería eléctrica desde 2016.

Verma co-fundó EnCharge AI en 2022 con Kailash Gopalakrishnan, ex Fellow de IBM, y Echere Iroaga, líder en diseño de sistemas de semiconductores.

Gopalakrishnan dijo que la innovación dentro de arquitecturas de computación existentes, así como mejoras en tecnología de silicio, comenzaron a desacelerarse exactamente cuando la IA comenzó a crear demandas masivas nuevas de poder computacional y eficiencia. Ni siquiera la mejor unidad de procesamiento gráfico (GPU), usada para ejecutar los sistemas de IA de hoy, puede mitigar los cuellos de botella en memoria y energía de computación que enfrenta la industria. "Mientras las GPUs son la mejor herramienta disponible hoy", dijo, "concluimos que se necesitará un nuevo tipo de chip para desbloquear el potencial de la IA."

Crecimiento exponencial de demandas computacionales

Entre 2012 y 2022, la cantidad de poder computacional requerido por modelos de IA creció aproximadamente un millón por ciento, según Verma, quien también es director del Centro Keller para Innovación en Educación de Ingeniería en la Universidad de Princeton. Para satisfacer la demanda, los chips más recientes empaquetan decenas de miles de millones de transistores, cada uno separado por el ancho de un virus pequeño. Y aún así, los chips aún no son lo suficientemente densos en su poder computacional para necesidades modernas.

Los modelos líderes de hoy, que combinan grandes modelos de lenguaje con visión por computadora y otros enfoques de aprendizaje automático, fueron desarrollados usando más de un trillón de variables cada uno. Las GPUs diseñadas por Nvidia que han alimentado el auge de la IA se han vuelto tan valiosas, que grandes empresas supuestamente las transportan en carros blindados. Las listas de espera para comprar o alquilar estos chips se extienden hasta el punto de desaparecer.

Cuando Nvidia se convirtió en solo la tercera empresa en alcanzar una valoración de $2 billones, el Wall Street Journal reportó que una porción rápidamente creciente de los ingresos crecientes de la empresa vino no a través del desarrollo de los modelos, llamado entrenamiento, sino en chips que permiten el uso de sistemas de IA una vez que ya están entrenados. Los tecnólogos se refieren a esta etapa de despliegue como inferencia. Y la inferencia es donde Verma dice que su investigación tendrá el mayor impacto en el corto a mediano plazo.

"Todo esto se trata de descentralizar la IA, liberarla del centro de datos", dijo. "Tiene que moverse fuera del centro de datos a lugares donde nosotros y los procesos que nos importan podemos acceder a la computación más, y eso son teléfonos, laptops, fábricas, ese tipo de cosas."

Tres partes clave de su enfoque

Para crear chips que puedan manejar cargas de trabajo modernas de IA en entornos compactos o con restricciones energéticas, los investigadores tuvieron que reimaginar completamente la física de la computación mientras diseñaban y empaquetaban hardware que pudiera fabricarse con técnicas de fabricación existentes y que funcionara bien con tecnologías de computación existentes, como una unidad de procesamiento central.

"Los modelos de IA han explotado en su tamaño", dijo Verma, "y eso significa dos cosas". Los chips de IA necesitan volverse mucho más eficientes haciendo matemáticas y mucho más eficientes gestionando y moviendo datos.

Su enfoque tiene tres partes clave.

Parte 1: Computación en memoria (In-memory computing)

La arquitectura central de virtualmente cada computadora digital ha seguido un patrón engañosamente simple, desarrollado por primera vez en los años 1940: almacenar datos en un lugar, hacer computación en otro. Eso significa transportar información entre celdas de memoria y el procesador. En la última década, Verma ha sido pionero en la investigación de un enfoque actualizado donde la computación se hace directamente en celdas de memoria, llamada computación en memoria. Esa es la parte uno. La promesa es que la computación en memoria reducirá el tiempo y la energía que cuesta mover y procesar grandes cantidades de datos.

Parte 2: Computación analógica

Pero hasta ahora, los enfoques digitales para computación en memoria han sido altamente limitados. Verma y su equipo recurrieron a un enfoque alternativo: computación analógica. Esa es la parte dos.

"En el caso especial de computación en memoria, no solo necesitas computar eficientemente", dijo Verma, "también necesitas hacerlo con muy alta densidad porque ahora necesita caber dentro de estas celdas de memoria tan diminutas". En lugar de codificar información en una serie de 0s y 1s, y procesar esa información usando circuitos lógicos tradicionales, las computadoras analógicas aprovechan la física más rica de los dispositivos. La curvatura de un engranaje. La capacidad de un alambre para mantener carga eléctrica.

Las señales digitales comenzaron a reemplazar a las analógicas en los años 1940 principalmente porque el código binario escalaba mejor con el crecimiento exponencial de la computación. Pero las señales digitales no profundizan en la física de los dispositivos, y como resultado pueden requerir más almacenamiento y gestión de datos. Son menos eficientes en ese sentido. Lo analógico obtiene su eficiencia procesando señales más finas usando la física intrínseca de los dispositivos. Pero eso puede venir con un compromiso en precisión.

"La clave está en encontrar la física correcta para el trabajo en un dispositivo que pueda controlarse extremadamente bien y fabricarse a escala", dijo Verma.

Parte 3: Condensadores de precisión para computación analógica precisa

Su equipo encontró una forma de hacer computación altamente precisa usando la señal analógica generada por condensadores especialmente diseñados para encenderse y apagarse con precisión exacta. Esa es la parte tres. A diferencia de dispositivos semiconductores como transistores, la energía eléctrica moviéndose a través de condensadores no depende de condiciones variables como temperatura y movilidad de electrones en un material. "Solo dependen de la geometría", dijo Verma. "Dependen del espacio entre un alambre metálico y el otro alambre metálico". Y la geometría es una cosa que las técnicas de fabricación de semiconductores más avanzadas de hoy pueden controlar extremadamente bien.

Fuente