革命的AIチップがトランジスタの限界を超え、巨大な計算能力を実現

エレクトロニクス＆センサ インサイダー

プリンストン大学の研究者たちが、コンピューティングの物理を完全に再考し、現代のAIワークロード向けチップを構築。新たな米政府の支援により、このチップがどれほど高速・小型・省電力になれるかを検証。初期プロトタイプを写真に。（画像：Hongyang Jia/プリンストン大学）

国防総省最大の研究機関がプリンストン主導のAIチップ開発と提携

国防総省最大の研究機関が、人工知能向け先進マイクロチップの開発でプリンストン大学主導の取り組みと提携しました。

新しいハードウェアは、現代のワークロード向けにチップを再考し、今日の最先端半導体よりもはるかに少ないエネルギーで強力なAIシステムを実行できると、電気・コンピュータ工学教授のナビーン・ヴァルマ氏は述べています。プロジェクトを率いるヴァルマ氏は、この進歩がAIチップの主要な障壁（サイズ、効率、拡張性）を打破すると語ります。

エネルギー効率の良いチップでAIをデータセンターから解放

エネルギーをあまり必要としないチップなら、ラップトップやスマートフォンから病院、ハイウェイ、低軌道まで、より動的な環境でAIを展開できます。今日の最先端モデルを動かすチップは大型で非効率なため、小型デバイスでは実行できず、主にサーバーラックと大規模データセンターに限定されています。

今、国防高等研究計画局（DARPA）が、ヴァルマ氏の研究室からの一連の重要な発明に基づき、1860万ドルの助成金でヴァルマ氏の研究を支援すると発表しました。DARPAの資金により、新しいチップがどれほど高速・コンパクト・省電力になれるかの探求が推進されます。

「最高のAIがデータセンターにしかないというかなり重要な制約があります」とヴァルマ氏。「それを解き放てば、AIから価値を得る方法が爆発的に広がります。」

DARPAのOPTIMAプログラムの一環

この発表は、次世代AIコンピューティングのための「科学、デバイス、システムにおける革命的進歩」を資金提供するDARPAの広範な取り組みの一環として行われました。OPTIMAと呼ばれるプログラムには、複数の大学と企業のプロジェクトが含まれます。プログラムの公募では総額7800万ドルの資金を見込んでいましたが、DARPAは機関の完全なリストやこれまでに授与された総額は公表していません。

スタートアップEnCharge AIとの連携

プリンストン主導のプロジェクトでは、研究者たちはヴァルマ氏のスタートアップ、EnCharge AIと協力します。カリフォルニア州サンタクララに拠点を置くEnCharge AIは、ヴァルマ氏の研究室からの発見に基づく技術を商業化しており、2016年まで遡る電気工学大学院生との共著論文もいくつか含まれます。

ヴァルマ氏は2022年に、元IBMフェローのカイラシュ・ゴパラクリシュナン氏と、半導体システム設計のリーダーであるエチェレ・イロアガ氏と共にEnCharge AIを共同設立しました。

既存アーキテクチャの限界とAI需要の爆発的増大

ゴパラクリシュナン氏によると、既存コンピューティングアーキテクチャ内での革新とシリコン技術の改善が鈍化し始めたのが、まさにAIが計算能力と効率への巨大な新需要を生み始めた時期と一致します。今日のAIシステムを動かす最高のグラフィックス処理ユニット（GPU）でさえ、業界が直面するメモリと計算エネルギーのボトルネックを緩和できません。「GPUは今日利用可能な最高のツールですが、AIの潜在能力を解き放つには新しいタイプのチップが必要だと結論付けました」と同氏。

2012年から2022年にかけて、AIモデルに必要な計算能力は約100万%増加したと、プリンストン大学ケラーイノベーションセンター長も務めるヴァルマ氏は言います。需要に対応するため、最新チップは数百億個のトランジスタを詰め込み、各トランジスタは小さなウイルスの幅ほどの間隔で隔てられています。それでもチップの計算能力密度は現代のニーズにはまだ不十分です。

推論段階でのインパクトに注力

今日の主要モデルは、大規模言語モデルとコンピュータビジョン、その他の機械学習アプローチを組み合わせ、それぞれ1兆個以上の変数で開発されました。AIブームを牽引したNVIDIA設計のGPUは非常に価値が高く、大手企業が装甲車で輸送していると報じられています。これらのチップの購入またはリースのバックログは限界まで伸びています。

NVIDIAが史上3社目となる2兆ドル評価に達したとき、ウォールストリートジャーナルは、同社の急増する収益の急速に増加するシェアが、モデル開発（トレーニング）ではなく、一度訓練されたAIシステムの利用を可能にするチップから来ていると報じました。技術者はこの展開段階を「推論」と呼びます。そして推論こそが、ヴァルマ氏の研究が近〜中距離で最もインパクトを持つ分野だと語ります。

「これはすべてAIの分散化、データセンターからの解放についてです」と同氏。「私たちや私たちにとって重要なプロセスがコンピューティングに最もアクセスできる場所、つまりスマホ、ラップトップ、工場、そういった場所に移さなければなりません。」

コンピューティングの物理を完全に再考：3つの鍵

コンパクトまたはエネルギー制約環境で現代のAIワークロードを処理できるチップを作るため、研究者たちは既存の製造技術で製造可能で、CPUなど既存のコンピューティング技術ともうまく連携するハードウェアを設計・パッケージングしながら、コンピューティングの物理を完全に再考する必要がありました。

「AIモデルはサイズの面で爆発的に増大しました」とヴァルマ氏。「それは2つのことを意味します。」AIチップは、数学演算をはるかに効率的に行い、データの管理と移動をはるかに効率的に行う必要があります。

彼らのアプローチには3つの鍵となる部分があります。

パート1：インメモリコンピューティング

事実上すべてのデジタルコンピュータのコアアーキテクチャは、1940年代に開発された一見単純なパターンに従ってきました：データを一箇所に保存し、別の場所で計算する。つまり、メモリセルとプロセッサの間で情報をシャトルする必要があります。過去10年間、ヴァルマ氏は計算をメモリセル内で直接行うアプローチ、インメモリコンピューティングへの更新されたアプローチを先駆けてきました。それがパート1です。インメモリコンピューティングは、大量データの移動と処理にかかる時間とエネルギーを削減することが期待されます。

パート2：アナログ演算

しかしこれまで、インメモリコンピューティングへのデジタルアプローチは高度に制限されてきました。ヴァルマ氏とチームは、別のアプローチ、アナログ演算に転じました。それがパート2です。

「インメモリコンピューティングの特殊なケースでは、効率的に計算するだけでなく、非常に高密度で行う必要があります。なぜなら今、これらの非常に小さなメモリセル内に収める必要があるからです」とヴァルマ氏。「情報を0と1の系列でエンコードし、従来の論理回路で処理する代わりに、アナログコンピュータはデバイスのより豊かな物理を活用します。歯車の曲率。ワイヤーが電荷を保持する能力。」

デジタル信号が1940年代からアナログ信号に取って代わった主な理由は、バイナリコードがコンピューティングの指数的成長によりうまくスケールしたためです。しかしデジタル信号はデバイスの物理を深く活用せず、その結果、より多くのデータ保存と管理を必要とします。その意味で効率が悪いです。アナログは、デバイスの固有の物理を用いてより微細な信号を処理することで効率を得ます。しかしそれは精度のトレードオフを伴う可能性があります。

「鍵は、極めてよく制御でき、大量生産可能なデバイスで、仕事に適した適切な物理を見つけることです」とヴァルマ氏。

パート3：精密にオン/オフする特殊設計コンデンサ

彼のチームは、極めて精密にオン/オフするように特別に設計されたコンデンサによって生成されるアナログ信号を用いて、高精度な演算を行う方法を見つけました。それがパート3です。トランジスタのような半導体デバイスとは異なり、コンデンサを通過する電気エネルギーは、温度や材料中の電子移動度のような可変条件に依存しません。「それらは幾何学のみに依存します」とヴァルマ氏。「一方の金属ワイヤと他方の金属ワイヤの間の空間に依存します。」そして幾何学は、今日の最先端半導体製造技術が極めてよく制御できるものです。

出典