Machine Learning and Non-Volatile Memories
Ez a könyv bemutatja mind a NAND flash tárolás, mind a gépi tanulás alapjait, részletezve azokat a tárolási problémákat, amelyek megoldásában ez utóbbi segíthet. Első pillantásra a gépi tanulás és a nem-illékony memóriák nagyon távolinak tűnnek egymástól. A gépi tanulás matematikát, algoritmusokat és rengeteg számítást feltételez; a nem-illékony memóriák olyan szilárdtest-eszközök, amelyeket információk tárolására használnak, és amelyeknek az a csodálatos képessége, hogy áramellátás nélkül is képesek megőrizni az információkat. Ez a könyv segít az olvasónak megérteni, hogyan működhet együtt ez a két világ, és hogyan hozhat egymás számára sok értéket. A könyv különösen két fő alkalmazási területet tárgyal: az analóg neurális hálózatokat (NN) és a szilárdtest-meghajtókat (SSD).
Miután az 1. fejezetben áttekintettük a gépi tanulás alapjait, a 2. fejezet bemutatja, hogy a neurális hálózatok hogyan képesek utánozni az emberi agyat; ennek az eredménynek az eléréséhez a neurális hálózatoknak egy speciális számítást kell elvégezniük, amelyet vektor-matrix (VbM) szorzásnak neveznek, és amely különösen energiaigényes. A digitális tartományban a VbM-et logikai kapuk segítségével valósítják meg, amelyek mind a területfoglalást, mind az energiafogyasztást meghatározzák; a kettő kombinációja komoly kihívást jelent a hardver skálázhatósága szempontjából, így korlátozza magának a neurális hálózatnak a méretét, különösen a feldolgozható bemenetek és kimenetek számát tekintve. A nem-illékony memóriák (fázisváltó memóriák a 3. fejezetben, rezisztív memóriák a 4. fejezetben, valamint 3D flash memóriák az 5. és 6. fejezetben) lehetővé teszik a VbM analóg megvalósítását (más néven "neuromorfikus architektúra"), amely mind a sebesség, mind az energiafogyasztás tekintetében könnyedén felülmúlja az egyenértékű digitális megvalósítást.
Az SSD-k és a flashmemóriák szigorúan össze vannak kapcsolva; a 3D flash méretezésével jelentős mennyiségű munkát kell végezni az SSD-k általános teljesítményének optimalizálása érdekében. A gépi tanulás e folyamat számos szakaszában életképes megoldásként jelent meg. A 7. fejezet a flash megbízhatóságának főbb problémáinak bemutatása után bemutatja a NAND-ra alkalmazható felügyelt és nem felügyelt gépi tanulási technikákat. Emellett a 7. fejezet az SSD-k proaktív megbízhatósági menedzsmentjének algoritmusaival és technikáival is foglalkozik. Végül, de nem utolsósorban a 7. fejezet utolsó szakasza a gépi tanulás következő kihívását tárgyalja az úgynevezett számítási tárolókkal összefüggésben.
Nem kétséges, hogy a gépi tanulás és a nem-illékony memóriák segíthetik egymást, de még csak az út elején járunk; ez a könyv valós alkalmazási példákkal segíti a kutatókat abban, hogy megértsék az egyes területek alapjait, remélhetőleg jó kiindulópontot nyújtva a fejlődés következő szintjéhez.
