IBM/aihwkit

解決的問題

此工具包針對『馮·諾伊曼瓶頸』提出解決方案，即記憶體與運算分離所造成的效能限制。它支援探索與模擬記憶體內運算，讓人工智慧工作負載能直接在記憶體裝置（如 PCM、RRAM 或 Flash）中處理，以提升速度與能源效率。

如何運作

該套件提供 PyTorch 整合，以類比版本（全連接、卷積、LSTM）取代標準神經網路層，並引入類比感知優化器。同時也包含一個高性能的 C++ 模擬器（支援 CUDA），可模擬類比裝置的物理特性，包括雜訊、裝置間差異，以及 ADC/DAC 的離散化。

適用對象

致力於硬體感知人工智慧、神經形態計算，以及使用類比交叉陣列設計高效能低功耗人工智慧加速器的研究人員與開發者。

主要特色

• PyTorch 整合：可輕鬆將類比神經網路模組與訓練工作流程整合至 PyTorch。
• 硬體感知訓練：在前向傳播中納入硬體非理想性與雜訊，以建立更穩健的類比硬體模型。
• 裝置模擬：以可調參數高效率模擬材料特性與交叉陣列配置。
• 模型轉換：提供工具自動將預訓練的數位模型轉換為對應的類比版本。