برای مقابله با این چالش‌ها، تحقیقات IBM از اصول هوش مصنوعی آنالوگ استفاده کرده است که نحوه عملکرد شبکه‌های عصبی در مغزهای بیولوژیکی را تقلید می‌کند. این رویکرد شامل ذخیره وزن های سیناپسی با استفاده از دستگاه های حافظه مقاومتی در مقیاس نانو، به ویژه حافظه تغییر فاز (PCM) است.
دستگاه‌های PCM رسانایی خود را از طریق پالس‌های الکتریکی تغییر می‌دهند و زنجیره‌ای از مقادیر را برای وزن‌های سیناپسی ممکن می‌سازند. این روش آنالوگ نیاز به انتقال بیش از حد داده را کاهش می‌دهد، زیرا محاسبات مستقیماً در حافظه اجرا می‌شوند که منجر به افزایش کارایی می‌شود.
تراشه جدید معرفی شده یک راه حل پیشرفته هوش مصنوعی آنالوگ است که از 64 هسته محاسباتی آنالوگ در حافظه تشکیل شده است.
هر هسته آرایه ای متقاطع از سلول های واحد سیناپسی را در کنار مبدل های فشرده آنالوگ به دیجیتال ادغام می کند و به طور یکپارچه بین حوزه های آنالوگ و دیجیتال انتقال می یابد. علاوه بر این، واحدهای پردازش دیجیتال در هر هسته، عملکردهای غیرخطی فعال‌سازی عصبی و عملیات مقیاس‌بندی را مدیریت می‌کنند. این تراشه همچنین دارای یک واحد پردازش دیجیتال جهانی و مسیرهای ارتباطی دیجیتال برای اتصال به یکدیگر است.
تیم تحقیقاتی با دستیابی به دقت 92.81 درصد در مجموعه داده های تصویری CIFAR-10، مهارت تراشه را نشان داد که سطحی بی سابقه از دقت برای تراشه های هوش مصنوعی آنالوگ است.
توان عملیاتی در هر منطقه، که بر حسب گیگا عملیات در ثانیه (GOPS) بر اساس منطقه اندازه‌گیری می‌شود، بر راندمان محاسباتی برتر آن در مقایسه با تراشه‌های محاسباتی درون حافظه قبلی تاکید می‌کند. طراحی کم مصرف این تراشه نوآورانه همراه با عملکرد پیشرفته آن، آن را به یک دستاورد مهم در زمینه سخت افزار هوش مصنوعی تبدیل کرده است.
معماری منحصر به فرد و قابلیت های چشمگیر تراشه هوش مصنوعی آنالوگ پایه و اساس آینده ای را ایجاد می کند که در آن محاسبات هوش مصنوعی با مصرف انرژی در طیف متنوعی از برنامه ها قابل دسترسی باشد.
پیشرفت IBM Research یک لحظه مهم را نشان می دهد که به تسریع پیشرفت در فناوری های مبتنی بر هوش مصنوعی برای سال های آینده کمک می کند.
