Chyba, která se stala výpočetním principem

Vodivostní drift je specifický pro paměti s fázovou změnou (PCM). Po naprogramování se vodivost buňky postupně mění, „ujíždí“, stejně jako číselná hodnota, kterou buňka uchovává. Pro klasické paměťové i inferenční aplikace je to noční můra. Studie publikované v časopisech Nature Communications a Scientific Reports v roce 2020 popisovaly tento posun jako zásadní překážku stability a přesnosti neuronových sítí běžících na PCM hardwaru. Výzkumníci proto usilovali o jeho další omezení.

Tým z Pekingské univerzity se na problém podíval z opačné strany. Drift je v určitém časovém okně předvídatelný a řiditelný. Místo aby ho potlačovali, zakódovali ho do adaptivního hledání integračního kroku pro řešení neurodynamických rovnic. Jinými slovy: fyzikální „chyba“ paměťového prvku začala vykonávat část matematiky, kterou by jinak musel řešit procesor.

Co čip umí, a co ne

Prototyp vznikl ve 40nm technologii. Jádro pro výpočet v paměti a driftové pole zabírá pouhých 0,28 mm², čip běží na 50 MHz a využívá devítistupňovou pipeline. Jedna iterace trvá 2,12 milisekundy. Zrychlení oproti A100 pochází ze dvou zdrojů současně:

• Výpočet přímo v paměti (in-memory computing): Víceúrovňová vodivost memristorů ukládá váhy a provádí násobení s akumulací (MAC) přímo v paměťovém poli. Odpadají energeticky i časově náročné přesuny dat mezi oddělenou pamětí a procesorem, tedy problém, který trápí klasickou von Neumannovu architekturu.
• Drift jako výpočetní jednotka: Řízený drift umožňuje výpočet adaptivního hledání velikosti integračního kroku. Čip tak nemusí opakovaně číst, zapisovat a přepočítávat hodnoty; část výpočtu probíhá samovolně uvnitř samotného prvku.

Důležité je ale říct, co z toho neplyne. Údaj „478ד se vztahuje ke konkrétnímu benchmarku, tedy rekonstrukci povrchu bílé a šedé hmoty mozkové kůry, což je úloha z kategorie neurodynamických systémů. Autoři uvádějí také zrychlení 3,82× až 36,27× oproti tehdejším specializovaným ASIC čipům. Žádný ze zdrojů netvrdí, že by čip obecně porážel GPU při trénování velkých jazykových modelů, grafice nebo běžné AI inferenci. Jde o vysoce specializovaný nástroj pro vysoce specializovanou úlohu.

Srovnání s A100 vyžaduje kontext

NVIDIA A100 je univerzální datacentrové GPU představené v květnu 2020. Bylo navrženo pro široké spektrum úloh, od trénování neuronových sítí přes analytiku až po vědecké výpočty. Srovnávat ho s čipem, který řeší jednu konkrétní úlohu a pracuje na zcela odlišném fyzikálním principu, je trochu jako porovnávat závodní kajak s oceánským kontejnerovým plavidlem ve sprintu přes jezero. Kajak vyhraje. Ale kontejnery nepřeveze.

Navíc NVIDIA dnes stojí na výrazně novější platformě Blackwell Ultra / GB300, takže benchmark proti A100 není důkazem převahy nad aktuální špičkou. Nejpoctivější interpretace výsledku je jiná: specializovaný post-von-Neumannův hardware začíná překonávat univerzální GPU tam, kde rozhoduje latence, adaptivní výpočet a minimalizace přesunů dat. To je samo o sobě zásadní signál.

Co to znamená pro medicínu, a co zatím ne

Tým z Pekingské univerzity rámuje svůj čip jako hardware pro digitální dvojčata mozku, chirurgickou navigaci a nástroje pro diagnostiku neurodegenerativních onemocnění. V experimentu čip v reálném čase rekonstruoval povrch mozkových struktur a generoval trojrozměrné modely zachycující i jemné záhyby mozkové kůry. Rychlá a přesná rekonstrukce by teoreticky mohla pomoci s časnou detekcí změn typických například pro Alzheimerovu chorobu nebo s individualizovaným plánováním neurochirurgických zákroků.

Jenže mezi laboratorní demonstrací a nemocničním nasazením leží propast. Škálování výroby, integrace do klinických systémů, vývoj softwarového ekosystému, klinická validace i regulační schválení – nic z toho zatím nemá veřejný harmonogram. Krátkodobý dopad je proto spíš na výzkumnou komunitu: důkaz, že fyzikální „nedokonalosti“ materiálů mohou být záměrně využity jako výpočetní zdroj, otevírá novou návrhovou filozofii pro specializované akcelerátory.

Čínský tým neporazil Nvidii v závodě o univerzální AI čip. Ukázal ale něco možná důležitějšího: budoucnost některých výpočtů nemusí ležet jen v rychlejších tranzistorech, ale také v chytrém využití fyziky, kterou se ostatní technologie dlouho snažily odstranit.