"In-memory computing" ist ein neuartiges Rechenkonzept, das die physikalischen Eigenschaften von Speichermedien nicht nur zur Speicherung, sondern auch für die Verarbeitung von Informationen nutzt. Dieser Ansatz steht im Gegensatz zu klassischen, so genannten Von-Neumann-Computern, in denen Daten zwischen dem Speicher und der Recheneinheit hin und her geschickt werden, was den Verarbeitungsprozess verlangsamt und Energie verbraucht.
Wissenschaftler des IBM Forschungszentrums in Rüschlikon bei Zürich zeigen in einem heute im renomierten Journal Nature Communications veröffentlichten Paper, dass ein unbeaufsichtigter Machine-Learning-Algorithmus, der auf einer Millionen Phase-Change-Memory-Zellen (PCM) läuft, erfolgreich Korrelationen in vorher nicht trainierten, temporären Datensets finden kann.
Der Prototyp verspricht eine 200-fache Verbesserung in Geschwindigkeit und Energieeffizienz im Vergleich zum neuesten Stand der Technik. Damit eignet sich die Technologie besonders für sehr dichte, energieeffiziente und hochgradig parallele Computersysteme bei Anwendungen im Bereich der künstlichen Intelligenz.
Eine ausführlichere Beschreibung finden Sie anbei oder in Nature Communications.
Wissenschaftler des IBM Forschungszentrums in Rüschlikon bei Zürich zeigen in einem heute im renomierten Journal Nature Communications veröffentlichten Paper, dass ein unbeaufsichtigter Machine-Learning-Algorithmus, der auf einer Millionen Phase-Change-Memory-Zellen (PCM) läuft, erfolgreich Korrelationen in vorher nicht trainierten, temporären Datensets finden kann.
Der Prototyp verspricht eine 200-fache Verbesserung in Geschwindigkeit und Energieeffizienz im Vergleich zum neuesten Stand der Technik. Damit eignet sich die Technologie besonders für sehr dichte, energieeffiziente und hochgradig parallele Computersysteme bei Anwendungen im Bereich der künstlichen Intelligenz.
Eine ausführlichere Beschreibung finden Sie anbei oder in Nature Communications.
