IBM研究院(IBM Research)的科学家采用一种较新的存储技术,即被称为相变存储(PCM)技术,首次展示了每个单元稳定的存储3比特数据的能力。
目前常用的存储器主要有DRAM、硬盘驱动器以及普遍使用的闪存盘(U盘)。但在过去的几年,PCM因其综合了高速读/写、耐用和非易失性及高存储密度引起了业界的关注,有潜力成为一种通用存储技术。例如,与DRAM不同,PCM在断电时不会丢失数据,并且这种技术可实现至少1000万次重复擦写次数,而普通的USB闪存记忆棒(U盘)最多只能重复擦写3000次。
这项研究突破可提供快速简便的存储,以满足移动设备和物联网成几何级数剧增的海量数据。
应用
IBM科学家认为,PCM存储器可以独立使用,或者用作混合应用设备的一部分,此类混合应用设备整合了PCM和闪存,以PCM作为速度极快的高速缓冲存储器(Cache)。例如,手机的操作系统可储存在PCM中,使手机可在几秒钟内开机。在企业领域,整个数据库都可储存在PCM中,可为时间要求苛刻的在线应用(例如金融交易)提供超快的查询处理。
这项技术还可通过减少在迭代之间读取数据时导致的延迟开销,大大提高采用大型数据集的机器学习算法的速度。
PCM的工作原理
PCM材料具有两种稳定的状态,非晶相(没有明确的结构)和晶相(具有明确的结构),分别具有较低和较高的导电率。
如果想在PCM单元上储存"0"或"1",即大家熟知的比特,我们可在这种材料上通上较高或者中等电流。"0"可编程设定为在非晶相下写入,而"1"在晶相下写入,或者相反。然后通上低电压,将这个位读取出来。这就是可重写蓝光光盘(Blue-ray Discs)*储存视频的原理。
先前,IBM以及其它研究机构的科学家已成功展示了在PCM上每个单元存储1个比特的能力,但今天在巴黎的 IEEE国际存储器研讨会上,IBM的科学家首次展示了在高温下的64k单元阵列上实现每个单元成功储存3比特的能力,并且其重复擦写次数突破了100万次。
"相变存储器是首款既具有DRAM特性又具有闪存特性的通用存储器装置,因此可解决业界面临的重大挑战之一,"论文作者、IBM研究院非易失性存储器研究部门经理Haris Pozidis博士在苏黎世对媒体说,"实现每单元3比特(3位)的存储能力是一个重要的里程碑,因为在这种存储密度下,PCM的成本将会大大低于DRAM的成本并且接近闪存的成本。"
为了实现多位存储,IBM的科学家开发出了两项创新性的使能技术:一套不受偏移影响单元状态测量方法以及偏移容错编码和检测方案。
更具体地说,这种新的单元状态测量方法可测量PCM单元的物理特性,检测其在较长时间内是否能保持稳定状态,这样的话其对偏移就会不敏感,而偏移可影响此单元的长期电导率稳定性。为了实现一个单元上所储存的数据在环境温度波动的情况下仍能获得额外的稳健性(additional robustness),IBM的科学家采用了一种新的编码和检测方案。这个方案可以通过自适应方式修改用来检测此单元所存储数据的电平阈值,使其能随着温度变化引起的各种波动而变化。因此,这种存储器写入程序后,在相当长的时间内都能可靠地读取单元状态,从而可提供较高的非易失性。
"通过综合这些进步,可解决多位PCM的关键挑战,包括偏移、可变性、温度敏感性和重复擦写次数,"IBM院士(IBM Fellow)Evangelos Eleftheriou博士说道。
IBM的科学家所使用的实验用多位PCM芯片连接在一块标准的集成电路板上。该芯片由一个4-bank 内存交错结构的2 × 2 Mcell 阵列组成。这款存储器阵列大小为2 × 1000 微米 (μm)× 800 微米(μm)。PCM单元采用掺杂硫族化物合金制作而成,集成在标准原型芯片上,该芯片作为90nm CMOS基线技术中的特征化载具。
OpenPOWER
在3月份于美国加州圣何塞举行的2016 OpenPOWER峰会(2016 OpenPOWER Summit)上,IBM的科学家通过CAPI(一致性加速处理器接口)协议,首次展示了安装在基于POWER8的服务器(由IBM和泰安计算机公司制造)上的相变存储器。这项技术利用了PCM的低延迟和小存取粒度、OpenPOWER结构的效率和CAPI协议。在展示中,科学家在PCM芯片和POWER8处理器之间测得一致性很高的极低128字节读/写延迟。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。