TetraMem und SK hynix präsentieren erfolgreiche technologische Zusammenarbeit zur Förderung des speicherbasierten KI-Computings

Die gemeinsamen Errungenschaften verdeutlichen, wie „Analog In-Memory Computing“ die wachsenden energie- und wärmetechnischen Herausforderungen der KI bewältigen und gleichzeitig die Grundlage für eine intensivere Zusammenarbeit bei Speicher- und Rechenarchitekturen der nächsten Generation schaffen kann.

SAN JOSE, Kalif. & ICHEON, Südkorea--(BUSINESS WIRE)--TetraMem Inc., ein führendes Unternehmen im Bereich der Analog-In-Memory-Computing-Technologie (A-IMC), und SK hynix Inc., ein weltweit führender Anbieter von KI-Speicher- und Halbleitertechnologien, gaben heute den erfolgreichen Abschluss einer gemeinsamen Technologiekooperation bekannt, deren Höhepunkt die Veröffentlichung ihrer Forschungsarbeit mit dem Titel „A Memristor-based In-Memory Computing SoC with Efficient Depthwise Convolution,” in Advanced Intelligent Systems ist. Diese Arbeit erscheint auch auf dem Titelblatt des Journals, eine Anerkennung der technischen Innovation und des Potenzials im Hinblick auf die KI-Rechenleistung der nächsten Generation.

Im Rahmen der Zusammenarbeit werden das Know-how von SK hynix im Bereich fortschrittlicher Speichertechnologien und die „Analog In-Memory Computing“-Plattform von TetraMem gebündelt, um neue Rechnerarchitekturen zu erforschen, mit denen sich eine der drängendsten Herausforderungen der künstlichen Intelligenz bewältigen lässt: die Reduzierung des Energieverbrauchs und der thermischen Einschränkungen, die mit den rasant wachsenden KI-Workloads einhergehen.

Da die Anzahl der Parameter bei Grundmodellen weiterhin von Milliarden auf Billionen ansteigt, hat sich der Datentransfer zwischen Prozessoren und Speicher zu einem entscheidenden Faktor für den Stromverbrauch, die Latenz und die thermischen Herausforderungen des Systems entwickelt. Analog In-Memory Computing (A-IMC) begegnet diesem Engpass mit einer grundlegend anderen Architektur, indem Matrixoperationen direkt dort ausgeführt werden, wo sich die Gewichte von Modellen befinden. Dadurch wird der Datentransfer drastisch reduziert und gleichzeitig die Leistung auf Systemebene sowie die Energieeffizienz verbessert – die Berechnungen finden dort statt, wo sich die Gewichte des KI-Modells befinden.

Die veröffentlichte Arbeit stellt ein memristor-basiertes KI-System-on-Chip (SoC) vor, das eine effiziente tiefengerechte Faltung implementiert – einen wichtigen Baustein für moderne KI-Inferenz-Workloads. Das Projekt belegt nicht nur die Machbarkeit des analogen In-Memory-Computing, sondern demonstriert auch die erfolgreiche Integration neuartiger Speicherbausteine, Schaltungsdesigns, KI-Architekturen, Software und Systemoptimierung in eine praxistaugliche Halbleiterplattform.

Vor allem aber spiegelt das Projekt die enge technische Zusammenarbeit zwischen den Teams von SK hynix RTC und TetraMem wider, bei der sich ergänzendes Fachwissen gebündelt wird, um speicherbasierte KI-Rechnertechnologien voranzutreiben.

„Es ist uns eine Ehre, diesen wichtigen Meilenstein gemeinsam mit SK hynix zu feiern“, sagte Glenn Ge, CEO und Mitgründer von TetraMem . „Diese Errungenschaft zeigt, was durch eine enge Zusammenarbeit innerhalb des gesamten Halbleiter-Ökosystems erreicht werden kann. Da sich die KI ständig weiterentwickelt, erfordern Durchbrüche nicht nur Innovationen im Bereich der Rechenleistung, sondern auch bei Speicher- und Systemarchitekturen. Wir sind davon überzeugt, dass speicherzentriertes Computing und Analog In-Memory Computing zunehmend wichtige Technologien werden, um die zukünftigen Herausforderungen der KI in Bezug auf Energieeffizienz und Wärmeentwicklung zu bewältigen. Wir freuen uns darauf, unsere Zusammenarbeit mit SK hynix fortzusetzen.“

Soo Gil Kim, Vice President von SK hynix , sagte: „Wir freuen uns über den erfolgreichen Ausgang dieser Zusammenarbeit und die Anerkennung durch Advanced Intelligent Systems . Dieses Projekt verdeutlicht, wie wichtig es ist, innovative Speichertechnologien und neue Rechnerarchitekturen für zukünftige KI-Systeme zu erforschen. Wir schätzen die hervorragende Zusammenarbeit mit dem TetraMem-Team sehr und freuen uns auf den weiteren technischen Austausch in Bereichen von gemeinsamem Interesse.“

Dass die Arbeit als Titelgeschichte der Zeitschrift präsentiert wird, unterstreicht zudem die Bedeutung dieser gemeinsamen Leistung und die wachsende Wichtigkeit des speicherzentrierten Rechnens in der KI-Branche.

Im Hinblick auf die Zukunft sind sich beide Unternehmen bewusst, dass die künftige KI-Infrastruktur weitere Fortschritte in den Bereichen Speichertechnologie, Rechnerarchitektur und Systemintegration erfordern wird, um den steigenden Anforderungen an Leistung, Energieeffizienz und nachhaltigem Rechnen gerecht zu werden. Aufbauend auf dem Erfolg dieser Zusammenarbeit freuen sich die beiden Unternehmen darauf, weitere Möglichkeiten für eine technische Zusammenarbeit zu erkunden, die die KI-Rechentechnologien der nächsten Generation vorantreiben.

Der Artikel „ A Memristor-based In-Memory Computing SoC with Efficient Depthwise Convolution,” ist nun online verfügbar in Advanced Intelligent Systems .

Über TetraMem

TetraMem Inc. ist ein Halbleiterunternehmen aus dem Silicon Valley, das Pionierarbeit im Bereich des analogen In-Memory-Computing (A-IMC) auf Basis der Multi-Level-Memristor-Technologie (RRAM) leistet. Seine speicherzentrierte KI-Rechenplattform ermöglicht leistungsstarke und energieeffiziente KI-Inferenz für Edge-, Unternehmens- und zukünftige Rechenzentrumsanwendungen.

Über SK hynix

SK hynix Inc. ist ein weltweit tätiges Halbleiterunternehmen und ein führender Anbieter von HBM, NAND-Flash und fortschrittlichen KI-Speicherlösungen. Das Unternehmen entwickelt kontinuierlich innovative Speichertechnologien, die weltweit die nächste Generation der KI, Hochleistungsrechner und datenzentrierte Anwendungen vorantreiben.

Die Ausgangssprache, in der der Originaltext veröffentlicht wird, ist die offizielle und autorisierte Version. Übersetzungen werden zur besseren Verständigung mitgeliefert. Nur die Sprachversion, die im Original veröffentlicht wurde, ist rechtsgültig. Gleichen Sie deshalb Übersetzungen mit der originalen Sprachversion der Veröffentlichung ab.