Przełom w pamięciach PCM: IBM Research wprowadza analogową superpozycję dla systemów AI

Najnowsze badania przeprowadzone przez IBM Research Europe w zakresie pamięci z przemianą fazową (Phase-Change Memory, PCM) stanowią potencjalny punkt zwrotny dla architektury systemów obliczeniowych dedykowanych sztucznej inteligencji. Opublikowana praca naukowa pt. „Superposed analog memory for vector storage in neural networks” opisuje innowacyjne podejście do gęstości zapisu danych, wykorzystujące zjawisko superpozycji analogowej. W tradycyjnych układach pamięci jedna komórka przechowuje określoną wartość binarną. IBM proponuje podejście, w którym wiele wektorów AI jest nakładanych na siebie w ramach jednej struktury fizycznej, co drastycznie zwiększa efektywną gęstość przechowywania wag sieci neuronowych. Z perspektywy przemysłowej, odkrycie to adresuje jedno z kluczowych wygaśnięć współczesnej ery AI: barierę pamięciową (memory wall). Przesyłanie ogromnych wag modeli językowych (LLM) z zewnętrznej pamięci DRAM do procesorów AI (GPU/NPU) generuje ogromne zużycie energii i opóźnienia. Rozwiązanie IBM, umożliwiające przechowywanie modeli bezpośrednio w pamięciach analogowych z wysoką gęstością, pozwala na realizację koncepcji „in-memory computing”, która minimalizuje ruch danych. Wyniki testów na prototypowym sprzęcie wskazują, że precyzja inferencji pozostaje na poziomie zbliżonym do systemów pełnoprecyzyjnych, co jest kluczowe dla komercyjnego wdrożenia tej technologii. Wpływ na łańcuch dostaw półprzewodników może być znaczący. Jeśli technologia ta dojrzeje do produkcji masowej, producenci układów pamięci będą musieli zrewidować swoje linie produkcyjne, aby zintegrować warstwy PCM z procesami CMOS nowej generacji. To otwiera nowe możliwości dla firm specjalizujących się w zaawansowanej litografii i materiałach półprzewodnikowych. W dłuższej perspektywie, wdrożenie to może zredukować zapotrzebowanie na energochłonne układy HBM (High Bandwidth Memory), co wpłynie na strukturę dostaw komponentów dla centrów danych. Prognozy na przyszłość wskazują, że analogowa superpozycja stanie się fundamentem dla lekkich i wydajnych systemów AI typu „edge”. Możliwość kompresji danych przy zachowaniu wysokiej dokładności sprawi, że zaawansowane modele AI będą mogły działać na urządzeniach o ograniczonych zasobach energetycznych, takich jak smartfony czy sensory IoT. Choć droga do komercjalizacji jest jeszcze długa – głównie ze względu na wyzwania związane z niezawodnością materiałów PCM – IBM Research wyraźnie wyznaczył kierunek, w którym zmierza inżynieria systemów obliczeniowych przyszłej generacji.