Les réseaux de neurones graphiques ont été largement utilisés pour étudier les réseaux sociaux, le commerce électronique, les prédictions de drogues, l'interaction homme-ordinateur, etc.

Dans une nouvelle étude publiée dans Intelligence des machines naturelles en couverture, des chercheurs de l'Institut de microélectronique de l'Académie chinoise des sciences (IMECAS) et de l'Université de Hong Kong ont accéléré l'apprentissage des graphes avec une mémoire résistive aléatoire (RRM), obtenant des améliorations de 40,37 fois l'efficacité énergétique par rapport à une unité de traitement graphique sur tâches d'apprentissage de graphes représentatifs.

L'apprentissage en profondeur avec des graphiques sur les ordinateurs von Neumann traditionnels entraîne de fréquents transferts de données, ce qui entraîne inévitablement de longs temps de traitement et une forte consommation d'énergie. L'informatique en mémoire avec mémoire résistive peut fournir une nouvelle solution.

Les chercheurs ont présenté une nouvelle conception conjointe matériel-logiciel, le réseau neuronal de graphe d'état d'écho basé sur RRM, pour relever ces défis.

Le RRM exploite non seulement des résistances à faible coût, à l'échelle nanométrique et empilables pour un calcul en mémoire hautement efficace, mais exploite également la stochasticité intrinsèque de la panne diélectrique pour mettre en œuvre des projections aléatoires dans le matériel pour un réseau d'état d'écho qui minimise efficacement le coût de formation.

Le travail est important pour le développement de systèmes matériels d'IA de nouvelle génération.