Le memorie MRAM possono velocizzare le applicazioni di intelligenza artificiale

Nella teoria della probabilità un processo stocastico è la versione probabilistica del concetto di sistema dinamico, un concetto sul quale i moderni algoritmi di intelligenza artificiale poggiano buona parte del loro funzionamento.
Spin Memory è un’azienda nata 8 anni fa in California che sta concentrando le sue attività di ricerca e sviluppo sulle memorie MRAM (Magnetoresistive Random Access Memory).
Ne avevamo parlato nel 2013 (Un patto tra venti aziende per rimpiazzare le memorie DRAM) e più di recente per ciò che riguarda le innovazioni di casa Samsung: Samsung presenta le sue prime memorie eMRAM: cosa sono.

Spin Memory ha ottenuto 158 milioni di dollari in tre cicli di finanziamento per produrre una nuova “ricetta” che può essere utilizzata dai produttori di chip per aggiungere blocchi di memoria più efficienti rispetto ai componenti fino ad oggi utilizzati.
Nel corso del 2021, infatti, potrebbero essere presentati i primi chip MRAM che andranno a sostituire la tradizionale cache L3 dei processori.

Una cache MRAM potrebbe essere molto meno assetata di energia rispetto alla SRAM e aumentare significativamente le capacità di memorizzazione dei dati a parità di superficie occupata.

A differenza delle tradizionali memorie, le MRAM non memorizzano le informazioni come una quantità di carica elettrica ma fanno uso di un campo magnetico. L’elemento che immagazzina il campo magnetico è formato da due strati di materiale ferromagnetico separati da uno strato di materiale isolante. Quando una corrente elettrica passa attraverso il primo magnete, gli elettroni si polarizzano.

MRAM memorizza un uno o uno zero allineando l’orientamento dei campi magnetici di due magneti l’uno rispetto all’altro attraverso una corrente elettrica. La perfetta commutazione tra 0 e 1 non è assicurata e per assicurarsi di ottenere il valore corretto, spiega Andy Walker, vice presidente della divisione prodotti di Spin, sarebbe necessario applicare una tensione aggiuntiva. L’azienda statunitense ha però deciso di trasformare questo vizio in una virtù: sfruttando la capacità delle reti neurali di gestire dati aleatori, si sono abbassati a valori minimi le tensioni in gioco usando la stocastica per compensare l’incertezza introdotta con l’uso delle MRAM.
Il concetto è stato illustrato da Walker e dai suoi colleghi in questa ricerca che mette in evidenza una sorta di corrispondenza tra la stocasticità delle MRAM e la stocasticità delle reti neurali. Le specificità delle MRAM vengono quindi esaltate risultando perfettamente in simbiosi con la natura degli algoritmi di intelligenza artificiale: il sistema, si spiega, è infatti in grado di tollerare una buona quantità di errori gestendoli di conseguenza.

Tollerando tassi di errore maggiori, Spin ha potuto abbassare le tensioni in gioco nel caso delle MRAM colmando il divario rispetto alle SRAM in termini di velocità e durata dei circuiti. Eliminando le carenze, Spin ha potuto sfruttare vantaggi intrinseci delle MRAM quali le dimensioni più compatte e la capacità di memorizzare i dati in modo non volatile.