Yapay Zeka
Yapay Zeka Enerji Tüketimini Devrim Geçirecek
SK hynix ve TetraMem'in geliştirdiği yeni memristör tabanlı bellek içi hesaplama (IMC) çipi ile yapay zekanın enerji verimliliğinde büyük bir atılım yapıldı.
Hexcore
3 dk
11 Temmuz 2026
SK hynix, TetraMem ve Güney Kaliforniya Üniversitesi araştırmacıları iş birliğiyle yapay zeka (yapay zekanın kısaltması) donanımında çığır açan bir gelişme elde etti. Bu yeni araştırma kapsamında geliştirdikleri memristör tabanlı bellek içi hesaplama sistemine sahip SoC adı verilen özel bir çip ortaya çıkarıldı. Bu çipin temel hedefi, hafif yapay zeka modellerinin işlenmesinde (çıkarım işleminde) geleneksel yöntemlere göre çok daha düşük enerji tüketimiyle yüksek performans sunabilmek olarak belirlendi.
Bu tür bellek içi hesaplama sistemleri (IMC), sinir ağlarının işlemleri için verilerin belleğin içinde, yani taşıma gerektirdiği yerde analitik işlemler yapılması prensibi üzerinde çalışıyor. Bu yöntem sayesinde veri hareketinin büyük ölçüde azaltıldığı ve dolayısıyla enerji tüketiminde dramatik düşüş sağlanabiliyor. Ancak derinlik odaklı konvolüsyon (DWC) gibi hafif ağlarda kritik olan bazı temel operasyonlar, geleneksel devre mimarileri üzerinde verimli bir şekilde haritalanamıyordu.
Hazırlanan SoC, bu kısıtlamayı aşmak için hem geleneksel memristör çapraz çubuklarını (crossbar) hem de derinlik odaklı konvolüsyon operasyonları için özel olarak optimize edilmiş bir bellek içi hesaplama mimarisini bünyesinde barındırıyor. Bu sistem, gömülü RISC-V işlemcisine dayanıyor ve toplam on adet sinir işleme birimi (NPU) içeriyor.
Tüm bu yapının en can alıcı noktası olan derinlik odaklı konvolüsyon için ayrılan NPU'da geleneksel diziler yerine sekiz ayrı özel zigzag çapraz çubuk bloğu kullanıldı. Bu yenilik, standart bellek yongalarındaki seçim çizgileri yerine kendine özgü bir topoloji kullanarak belleğin tamamını ağırlık depolama alanı olarak aktif hale getiriyor ve 28 adet bağımsız üç çarpı üç boyutlu konvolüsyonun aynı anda paralel olarak çalışmasını sağlıyor.
Hafif modellerde yaygın olan noktadan nokta (pointwise) ve yoğun katmanlar ise diğer dokuz NPU tarafından geleneksel bir şekilde gerçekleştiriliyor. Bu hibrit tasarım, her iki tür operasyonun da enerji verimliliğinden ödün vermeden en iyi performansı yakalamasını sağlıyor.
Araştırmacılar bu mimariyi kanıtlamak amacıyla Visual Wake Words denilen bir iş yükü üzerinde özelleştirilmiş MobileNetV1Small sinir ağı kullandılar. Ağdaki tüm derinlik katmanları özel tasarlanmış NPU'ya, nokta tabanlı katmanlar ise standart NPU'lara yönlendirildi. Memristör temelli bu donanım yapısı doğal olarak işlemleri imzalı olmayan 8 bit değerlerde gerçekleştiriyor ve verimliliği artırmak amacıyla iki alt dizili bir telafi tekniği uygulayarak etkin ağırlık hassasiyetini yaklaşık 4 bite yükselttiler.
Elde edilen sonuçlara göre çip, elde ettiği işlem gücü başına enerji tüketimi ile (100 MHz'de 21.3 TOPS/W ve 400 MHz'de 11.9 TOPS/W gibi) oldukça iddialı verim değerleri sundu. Yöneticiler, bu verimin eski nesil bir üretim süreci olan 65 nm üzerinde üretilmiş olmasına rağmen SRAM temelli bellek içi hızlandırıcılar ile rekabet edebileceğini ve Nvidia'nın A100 kartının INT8 enerji verimliliğini on katın üzerine çıkardığını iddia ediyor.
Uzmanlar ise bu heyecan verici tanıtımın bazı eksik yönlerine dikkat çekiyor. Öncelikle, paylaşılan gösterimdeki MobileNet örneğinin tüm on NPU'yu aynı anda çalıştırmadığı belirtiliyor; bir tanesi özel DWC için ayrılmışken geri kalan dört standart NPU boş bırakıldı. Bu durum, cihazın toplam işlem gücünü (TOPS) ve gerçek dünyadaki sürdürülebilir performansını tam olarak göstermiyor.
İddia edilen 2.54 TOPS gibi zirve değerlerin tamamen teorik senaryolar üzerine kurulduğu ve on NPU'nun tüm potansiyelini eş zamanlı kullanıp kullanamayacağının henüz kanıtlanmadığı vurgulanıyor. Ancak bu araştırma, memristör teknolojisinin hafif yapay zeka donanımında ciddi bir enerji tasarrufu sağlayabileceğine dair bilimsel sağlam temeller ortaya koymuş durumda.
Topluluk yargısını şekillendirmek için fikrini tek bir sinyalle belirt.
Henüz yorum yapılmamış. İlk yorumu sen yap!
E-posta adresiniz yayımlanmayacaktır. Gerekli alanlar (*) ile işaretlenmiştir.