在一項有望對依賴人工智能的移動設備，無人機和機器人進行更高級編程的開發中，IBM研究人員表示，他們已經設計出一種編程方法，該方法可實現更高的準確性并減少能耗。

AI系統通常采用劃分內存和處理單元的過程。這種做法意味著在兩個航路點之間傳輸數據會浪費時間。數據傳輸量巨大，足以產生昂貴的能耗標簽。

《自然通訊》本周報道說，IBM設計了一種方法，該方法依靠相變內存來更快，更便宜地執行代碼。這是一種隨機存取存儲器，其中包含的元素可以在非晶態和結晶態之間快速變化，其性能優于更常用的閃存模塊。也稱為P-RAM或PCM。由于其非凡的性能，有人將其稱為“完美的RAM”。

PCM依靠硫族化物玻璃，當電流流過時，硫屬化物玻璃具有改變其狀態的獨特能力。惠普首先探索的相變技術的一個關鍵優勢是，存儲狀態不需要連續的電源即可保持穩定。在PCM中添加數據不需要擦除周期，這是其他類型的存儲器存儲所特有的。另外，由于可以直接從內存執行代碼，而不是將代碼復制到RAM中，因此PCM的運行速度更快。

IBM認識到，在圖像和語音識別，游戲和機器人技術領域中，依賴于深度神經網絡的運營需求不斷增長，要求更高的效率。

研究團隊在公司博客上發布的解決方案的IBM團隊說：“隨著深度學習的不斷發展和對強大處理能力的需求，擁有大型數據中心的公司將迅速意識到，建造更多的發電廠來支持所需的額外一百萬倍的運營。例如，對單個圖像進行分類是不經濟的，也不是可持續的。”

報告指出：“很明顯，我們需要通過優化微芯片和硬件來使效率更高，從而使此類設備以更少的功率運行。”

IBM將PCM與人腦進行了比較，并指出PCM“沒有單獨的存儲和計算數據的區域，因此消耗的能量明顯更少”。

PCM的一個缺點是由于讀和寫電導噪聲導致的計算誤差。IBM通過在AI 培訓課程中引入這種噪音來解決該問題。

IBM的報告指出：“我們的假設是，在DNN訓練期間注入與設備噪聲相當的噪聲會提高模型的魯棒性。”

他們的假設是正確的。他們的模型達到了93.7%的準確度，IBM研究人員稱這是同類存儲器硬件所能達到的最高準確度。

IBM表示，需要做更多的工作才能獲得更高的準確性。他們正在使用小型卷積神經網絡和生成對抗網絡進行研究，并且最近在神經科學前沿報道了他們的進展。

IBM表示：“在一個越來越多的時代過渡到基于AI的技術（包括物聯網電池供電的設備和自動駕駛汽車）時，此類技術將從快速，低功耗和可靠的DNN推理引擎中受益匪淺。”報告說。