Las tareas de clasificación son ubicuas en numerosas aplicaciones. Los sistemas de clasificación de CPU/GPU o basados en ASIC emplean unidades de comparación masivas. La actuación está limitada por los dispositivos CMOS y el ancho de banda entre la memoria y las unidades de comparación. Sort-Near-Memory alivia el cuello de botella de ancho de banda. Sorteo en memoria basada en la lógica asistida por memristor utiliza memristors, pero aún depende de las operaciones de comparación. Nuestro MSIM sin comparación con estrategias TNS/CA-TNS resuelve los tres cuellos de botella. Crédito: Yu et al.
La organización de datos en un orden específico, también conocido como clasificación, es una operación informática central realizada por una amplia gama de sistemas. Los sistemas de hardware convencionales dependen de componentes separados para almacenar y clasificar los datos, lo que limita su velocidad y eficiencia energética.
Los investigadores de la Universidad de Pekín han desarrollado recientemente un nuevo sistema de clasificación reconfigurable que se basa en memristores para clasificar los datos almacenados in situ. Su sistema propuesto, esbozado en un artículo publicado En Nature Electronics y dirigido por el profesor Yuchao Yang, se encontró que almacena y clasifica los datos de manera rápida como de eficiencia energética.
“La idea original proviene del hecho de que, aunque las operaciones como la multiplicación de matriz y la convolución se han implementado ampliamente en los sistemas CIM (computación en memoria), la clasificación se ha considerado durante mucho tiempo como una” tuerca dura de crack “en la tecnología de informática en memoria debido a sus características computacionales únicas”, Yaoyu Tao, el autor correspondiente del documento, dijo Techxplore.
“En primer lugar, el hardware de clasificación tradicional implica una amplia comparación y una lógica seleccionada, ramificación condicional o operaciones de intercambio, con un flujo de control irregular que difiere fundamentalmente de las operaciones lineales que CIM (compute-in-memoria) sobresale. En segundo lugar, la clasificación de grandes cantidades de datos a menudo conduce a los accesorios de memoria dinámicos que en conflicto con los diseños de acceso de memoria estructurados de CIM”.
Se encontró que la mayoría de los algoritmos para la clasificación desarrollados hasta la fecha también exhiben fuertes dependencias de datos. Esto significa esencialmente que las operaciones que realizan dependen de los resultados de operaciones anteriores, lo que a su vez las hace difíciles de excluir y reduce la ventaja de los sistemas CIM en tareas que implican realizar varias operaciones simultáneamente.
CA-TNS Clasificación. Crédito: Nature Electronics (2025). Doi: 10.1038/s41928-025-01405-2
“La razón por la que la clasificación sigue siendo un desafío no resuelto en el desarrollo de CIM radica en su naturaleza computacional ‘no estructurada’ e ‘intensiva en control’, que en conflicto inherentemente con los principios actuales de diseño CIM centrados en la aceleración lineal en memoria”, explicó Tao.
“Superar el cuello de botella de implementación de la clasificación en CIM no solo resolvería un desafío de ingeniería crítico, sino que también representaría un paso importante para hacer de CIM una tecnología informática inteligente de uso general.
El nuevo sistema reconfigurable de clasificación en memoria desarrollado por Tao y sus colegas como parte de este estudio reciente está compuesto por matrices de memristor y circuitos periféricos de un transistor-one-Resistor (1T1R). Los circuitos periféricos se dividen en tres módulos distintos, denominados procesador de dígitos, un selector de dígitos y un controlador de estado.
“Estos componentes son reconfigurables para acceder a las matrices de memristor 1T1R y soportan los tipos de datos variables en la literatura, incluidos los números de puntos fijos o de punto fijo de firma y signos de signos y de magnitud para satisfacer las necesidades de aplicaciones de clasificación del mundo real”, explicó TAO.
“Sus ventajas/características únicas incluyen el soporte para tres metodologías diferentes de mejora de la concurrencia, estrategia múltiple para un mayor paralelismo de nivel de número, estrategia de depósito de bits para un paralelismo de nivel de bits más alto y una estrategia de nivel múltiple para un mayor paralelismo en dispositivos en los dispositivos”.
Habilitado por dispositivos Memristor, este trabajo desarrolla una matriz 1T1R para Digit Read (DR), técnicas TNS/CA-TNS para SIM sin comparación y un sistema MSIM de extremo a extremo para la demostración práctica. Crédito: Yu et al.
En las pruebas iniciales, el nuevo esquema de clasificación en memoria ideado por este equipo de investigadores arrojó resultados muy prometedores, ya que requirió significativamente menos energía que los enfoques introducidos previamente para la clasificación de datos. Además, el esquema es altamente versátil y adaptable, lo que permite integrarse con varios otros sistemas y adaptarse para satisfacer las demandas de problemas específicos del mundo real.
“El esquema permite tres estrategias de mejora del paralelismo, que incluyen bancos múltiples, bits-lice y conductancia multinivel, y es compatible con el cómputo en memoria de estado de arte para las multiplicaciones de vectores de matriz”, dijo Tao. “Los algoritmos de clasificación juegan un papel vital en el procesamiento de datos al clasificar rápidamente los volúmenes masivos de datos candidatos para identificar los elementos más relevantes para un análisis posterior.
“En escenarios como la capacitación en modelos de lenguaje grande, la planificación de la ruta robótica y la búsqueda de aprendizaje de refuerzo, la evaluación rápidamente y la clasificación de múltiples decisiones o acciones es tanto indispensable como altamente lento. Sin embargo, las operaciones de clasificación involucran operaciones no lineales y patrones de acceso a datos irregulares, y actualmente carecen de primitivas de hardware de uso general y eficiente para clasificar”.
Se sabe que las arquitecturas de procesamiento en memoria (PIM) disponibles actualmente tienen limitaciones significativas, incluida la incapacidad de clasificar eficientemente grandes cantidades de datos. Hasta ahora, esto ha limitado su despliegue a un número restringido de escenarios.
El nuevo enfoque desarrollado por Tao y sus colegas podría ayudar a superar las deficiencias de estas arquitecturas PIM, mejorando así la eficiencia con la que los sistemas almacenan y clasifican los datos al abordar una gama más amplia de tareas. En el futuro, podría implementarse en centros de atención médica y sitios de fabricación, o también podría usarse para organizar eficientemente bases de datos científicas y optimizar las soluciones de transporte inteligentes.
“Ahora estamos trabajando para mejorar el sistema de clasificación en memoria e integrarlo en sistemas de computar en memoria de última generación para AI u otros escenarios emergentes”, agregó Tao. “Nuestro objetivo final es implementar esta tecnología en sistemas de hardware más generales donde la clasificación se convierte en un cuello de botella computacional”.
Escrito para usted por nuestro autor Ingrid Fadellieditado por Gaby Clarky verificado y revisado por Andrew Zinin—Este artículo es el resultado de un trabajo humano cuidadoso. Confiamos en lectores como usted para mantener vivo el periodismo científico independiente. Si este informe le importa, considere un donación (especialmente mensual). Obtendrá una cuenta sin anuncios como agradecimiento.
Más información: Lianfeng Yu et al, un sistema de clasificación en memoria rápido y reconfigurable basado en memristores, Nature Electronics (2025). Dos: 10.1038/s41928-025-01405-2.
© 2025 Science X Network
Cita: el nuevo sistema basado en memristor reconfigurable permite la clasificación de datos en memoria (2025, 23 de julio) recuperado el 23 de julio de 2025 de https://techxplore.com/news/2025-07-reconfigured-memristor basado en enable-memory.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
