IBM的研究人员表示，他们已经设计出了一种编程方法，可以实现更高的准确性，并降低能源消耗。这项技术有望为依赖人工智能的移动设备、无人机和机器人进行更复杂的编程。

    人工智能系统通常采用程序来划分内存和处理单元。这种做法意味着在两个路径点之间传输数据要花费大量时间。数据传输量大到足以产生昂贵的能源标签。

    《自然通讯》杂志本周报道称，IBM设计了一种方法，该方法依赖于相变内存PCM，能够以更快、更便宜的模式执行代码。这是一种随机存取存储器，它包含可以在非晶和晶态之间快速变化的元素，提供优于更常用的闪存模块的性能。它也被称为P－RAM或PCM。一些人将其称为“完美的RAM”，因为它具有非凡的性能。

    PCM依赖于硫族玻璃，这种玻璃有一种独特的能力，可以在电流通过时改变其状态。由惠普公司最先开发的相变技术的一个关键优势是，存储状态不需要持续的电源来保持稳定。在PCM中添加数据不需要擦除周期，这是其他类型内存存储的典型特征。此外，由于代码可以直接从内存中执行，而不是复制到RAM中，因此PCM的运行速度更快。

    在图像和语音识别、游戏和机器人等领域，依赖于深度神经网络的操作要求越来越高，需要更高的效率。

    “IBM将PCM与人脑进行了比较，并指出PCM“没有单独的存储和计算数据的区域，因此消耗的能量明显更少”。PCM的一个缺点是由于读和写电导噪声导致的计算误差。IBM通过在AI 培训课程中引入这种噪音来解决该问题。

    IBM的报告指出：“我们的假设是，在DNN训练期间注入与设备噪声相当的噪声会提高模型的鲁棒性。”他们的假设是正确的。他们的模型达到了93．7％的准确度，IBM研究人员称这是同类存储器硬件所能达到的最高准确度。

    IBM表示，需要做更多的工作才能获得更高的准确性。他们正在使用小型卷积神经网络和生成对抗网络进行研究，并且最近在神经科学前沿报道了他们的进展。在一个越来越多地向基于人工智能的技术过渡的时代，包括物联网电池驱动的设备和自动驾驶汽车，这些技术将极大地受益于快速、低功率、可靠准确的DNN推理引擎。