解决存储器的瓶颈

正文

请到「今天看啥」查看全文

有趣的是，同一个问题在行业内的几个层面上都被问到了。“这和人们看待边缘处理时的讨论是一样的。网络领域的问题是，‘我在哪里处理数据，我要传输多少数据？“Cadence产品管理高级集团总监Frank Schirrmeister说，“它是网络和通信结构之间的平衡，而不是更靠近内存的处理。”

类似的问题也出现在服务器市场上，数据在存储中进行处理。“我们在研究传统应用程序和工作负载时看到了这一点，“ NGD系统营销副总裁Scott Shadley表示，“例如，数据库管理层的位置发生了变化，它不再像Oracle或Hadoop那样只存在于内存中。”

这些变化已经酝酿了一段时间。“正是由于冯诺伊曼在架构层面的局限性，以及摩尔定律和登纳德的缩放预言说（登纳德Dennard在1974年发表论文，预测说晶体管尺寸变小，功耗也随之同比变小），才导致了缩放效率的问题，”Crossbar负责业务发展和战略营销的副总裁Sylvain Dubois说。“关键是我们需要消耗多少能量和能量才能在这些节点上进行计算。这是新体系结构的绝佳机会。”

这可能只是短期炒作吗？“很难夸大这个动作带来的影响，”Mentor的Whitehead说。“这或将极大地改变这个行业，虽然还有很多问题需要回答，但今天市场上已经有很多产品。从基准来看，这些数量是巨大的。”

转变悄悄地开始

这一转变的开始已经受到关注。“GPU是解决这个问题的一种方法，但它并不能真正解决这个问题，”Crossbar的Dubois说。“它只是给了一点额外的空间，因为它是高度并行的，它仍然基于相同的内存瓶颈。人们已经意识到新的架构，如CNNS或Google TPU是新的架构。现在，从处理器、存储器集成到半导体业务，各个公司都在进行垂直投资。这对半导体行业来说是个好消息。”

许多人还认为这是方向上的必要转变。“今天，人们谈论的是让一个引擎进行人工智能优化，然后讨论这个引擎是放在单独的芯片上还是放在内存中，”Adesto的首席技术官Gideon Intrater说。“当你放在芯片上时，带宽得到了改善，但现在有一些解决方案超出了这个范围，这些解决方案实际上是在内存阵列内进行计算，或者是通过使用模拟函数进行非常接近内存阵列的计算。”

Intrater指出了许多不同的可能性。“与使用数百个硬件乘法器进行矩阵运算不同，您可以取每个8位并通过一个D2A运行它们，然后以模拟方式进行计算，只需使用基尔霍夫定律进行乘法运算。它不像以数字方式那样精确或准确，但在大多数情况下，它已经足够好了。虽然通过这样做，供应商声称可以有明显更快的操作和更低的功率，但这也不是领先的。“

请到「今天看啥」查看全文