Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Inferencing, Fast and Slow with Ultra-scaled Phase-Change Devices

Description du projet

Des solutions pour relever les défis de l’inférence en apprentissage profond

La demande énergétique insoutenable liée à la circulation des données freine les progrès de l’IA et entrave sa capacité à contribuer aux avancées économiques et environnementales. Les mémoires non volatiles basées sur la conductance peuvent relever ce défi en maintenant les poids synaptiques stationnaires et en permettant le calcul en mémoire. Cependant, les dispositifs existants sont encore loin de leurs limites théoriques et fonctionnelles. Le projet INFUSED, financé par le CER, comble cette lacune en exploitant de nouveaux dispositifs de mémoire à changement de phase à très grande échelle qui encodent efficacement les poids adaptatifs à long terme et à court terme, ouvrant ainsi la voie à une nouvelle génération de matériel d’IA efficace sur le plan énergétique et inspiré par la biologie.

Objectif

A major challenge for deep learning inference is the high energy demand required to retrieve large amounts of synaptic weight data from memory. One promising approach to address this is the use of conductance-based devices, such as non-volatile phase-change memory, to develop chips with stationary synaptic weights. However, two key obstacles remain: enhancing the computational capabilities and increasing the energy efficiency of these devices. INFUSED tackles both issues through groundbreaking device innovation. By utilizing the physics of ultra-scaled materials, it pushes energy efficiency closer to its theoretical limits. Moreover, it introduces dual neurally-plausible temporal dynamics, combining fast adaptive responses with slow, gradual conductance changes. This reimagines traditional neural network elements like the perceptron for more energy-efficient AI inference.

INFUSED specifically aims to:

☞ Develop a breakthrough device design method to encode slow weights efficiently by reducing electrical contacts and active volumes to unprecedented scales—below 10 nm², and using 1-nm-thick van der Waals films. These weights are programmable with energy in the tens of femtojoules, offering up to a 100x improvement over current industry devices.

☞ Design a reconfigurable volatile memory to encode fast weights within the slow weights. This innovative method uses field-effect properties of the ultra-scaled volumes. These weights exhibit non-linear temporal dynamics, consuming energy in the picoWatt range, with timescales spanning microseconds to hours, adaptable to AI tasks.

☞ Demonstrate a mixed hardware-software implementation of biologically inspired algorithms leveraging fast and slow dynamics. New neural architectures are developed and benchmarked against mainstream neural networks, as well as against hardware substrates like parallel computing architectures (e.g. GPUs), in complex vision tasks.

Champ scientifique (EuroSciVoc)

Ce projet n'a pas encore été classé par EuroSciVoc.
Proposez les domaines scientifiques qui vous semblent les plus pertinents et aidez-nous à améliorer notre service de classification.

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-ERC - HORIZON ERC Grants

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) ERC-2025-STG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

IBM RESEARCH GMBH
Contribution nette de l'UE
€ 1 499 800,00
Adresse
SAEUMERSTRASSE 4
8803 RUESCHLIKON
Suisse
Région
Schweiz/Suisse/Svizzera Nordwestschweiz Aargau
Type d’activité
Private for-profit entities (excluding Higher or Secondary Education Establishments)
Liens
Coût total
€ 1 499 880,00

Bénéficiaires (1)