Bu yaklaşım, yapay zekâ sistemlerinin temel darboğazlarından biri olarak kabul edilen işlemci ile bellek arasındaki veri trafiğini azaltmayı hedefliyor.
Bellek içi hesaplama
Günümüz bilgisayar mimarilerinde yapay zekâ uygulamalarının performansı sıklıkla işlemci ile bellek arasındaki veri aktarımına (von-Neumann darboğazı) takılıyor. Bu durum, hem işlem gecikmesini artırıyor hem de enerji maliyetlerini yükseltiyor. RRAM tabanlı mimariler, veriyi önce depolayıp sonra işlemeyecek şekilde hesaplamayı doğrudan bellek içinde yapıyor; buna in-memory computing deniyor.
Kuzum ve ekibinin geliştirdiği sistemde, bellek hücreleri sadece veri saklamakla kalmıyor, aynı zamanda sinir ağı hesaplamalarını doğrudan bellek içinde gerçekleştirebiliyor. Böylece işlemci ile bellek arasında sık sık veri göndermeye gerek kalmadan, gecikme ve enerji tüketimi önemli ölçüde düşürülebiliyor.
3D RRAM ile Yüksek verimlilik ve doğruluk
Çalışmada tasarlanan bellek mimarisi, RRAM hücrelerini üç boyutlu ve çok katmanlı bir yapıda (örneğin 8 katmanlı) organize ediyor. Bu sayede hem daha yüksek yoğunlukta veri depolanabiliyor hem de hesaplama kapasitesi artıyor. Erken testlerde, bu mimariyle çalışan sinir ağı modelleri yaklaşık %90 civarında doğruluk oranına ulaştı — bu da geleneksel dijital mimarilere kıyasla benzer performans anlamına geliyor.
Edge AI ve yerel hesaplama için potansiyel
Bu tür bellek merkezli çözümler, özellikle edge AI uygulamaları, otonom sistemler ve bulut bağlantısı olmadan çalışan modeller için kritik avantajlar sunuyor. Verilerin işlem için merkeze taşınmasına gerek kalmadığı için gizlilik riski azalıyor, gecikme düşüyor ve enerji verimliliği artıyor.
Henüz gelişme aşamasında
Uzmanlar, RRAM mimarilerinin hâlen ticari ölçekte yaygınlaşmak için bazı teknik engelleri aşması gerektiğini belirtiyor. Özellikle büyük dil modelleri veya ağır yapay zekâ uygulamaları için tam performans sağlaması henüz beklenmiyor; araştırma daha çok malzeme optimizasyonu ve cihaz dayanıklılığı gibi alanlara odaklanıyor.
