计算中的内存芯片显示出对联合学习系统提高效率和隐私性提高的希望
作者：by Ingrid Fadelli, Phys.org
近几十年来，计算机科学家一直在开发越来越高级的机器学习技术，可以通过分析大量数据来学会预测特定模式或有效完成任务。然而，一些研究强调了一些基于AI的工具的脆弱性，表明恶意的第三方可能会访问他们所提供的敏感信息。
一种可以提供更多数据隐私的机器学习方法是联合学习，这需要各种用户或各方对共享神经网络进行协作培训，而这些神经网络无需彼此交换任何原始数据。当应用可以从AI中受益但已知可以存储高度敏感的用户数据（例如医疗保健和融资）的行业，该技术可能特别有利。
Tsinghua大学，中国移动研究所和赫比大学的研究人员最近开发了一种新的用于联合学习的记忆芯片，该芯片基于回忆录，非挥发性电子组件，可以执行计算和存储信息，这些芯片可以执行计算和存储信息，通过基于过去在过去的电流中的电流来适应其阻力，从而可以执行计算和存储信息。他们提出的芯片，在纸上概述出版在自然电子发现，发现联合学习方法的效率和安全性。
Xueqi Li，Bin Gao及其同事在论文中写道：“联邦学习为多个参与者提供了一个框架，可以在维护数据隐私的同时集体培训神经网络，并且通常是通过同构加密来实现的。”“但是，在局部边缘实施这种方法需要密钥生成，错误多项式生成和广泛的计算，从而带来了大量时间和大量时间能源消耗。
“我们报告了一个记忆中的概述芯片架构，具有原位的物理无封函数，可用于钥匙生成，而原位的真实随机数生成器用于错误多项式生成。”
由于它既可以执行计算和存储信息，因此研究人员提出的新的基于Memristor的架构可以减少数据的移动，从而限制不同当事方共同培训人造所需的能量神经网络（ANN）通过联邦学习。
该团队的芯片还包括一个物理不元件的功能，一种基于硬件的技术，可在加密通信过程中生成安全密钥，以及真正的随机数生成器，一种生成不可预测的加密数字的方法。
“我们的体系结构包括一种竞争形式的阵列操作方法，基于内存的熵提取电路设计和基于冗余的基于残基号的基于系统的编码方案的冗余型误差速率计算，物理不可倾解的函数以及要在同一MEMRISTOR阵列和外围阵列中实现的真实随机数生成器，”研究者写道。
“为了说明这一基于备忘录的联邦学习的功能，我们进行了一次案例研究其中四名参与者共同训练了两层长的短期记忆网络，具有482个败血症预测的权重。”
为了评估其计算中的内存芯片的潜力，研究人员使用它来实现长期记忆网络的集体培训，一个深度学习技术通常用于根据顺序数据，文本或病历，由四个人类参与者。这四名参与者共同培训了该网络以预测败血症，败血症是根据患者的健康数据从严重感染中出现的严重且潜在的致命状况。
作者写道：“ 128-kb备忘录阵列的测试准确性仅比软件集中学习实现的测试精度低0.12％。”“与传统的数字联合学习相比，我们的方法还表现出减少的能量和时间消耗。”
总体而言，这项最新研究的结果凸显了基于Memristor的内存架构增强联合学习实施效率和隐私的潜力。将来，Li，Gao及其同事开发的芯片可以进一步改善，并用于在各种现实世界中共同培训其他深度学习算法。
我们作者为您写的Ingrid Fadelli，，，，编辑丽莎锁并对事实进行了检查和审查罗伯特·埃根（Robert Egan）本文是仔细人类工作的结果。我们依靠像您这样的读者来使独立科学新闻业保持活力。如果此报告对您很重要，请考虑捐款（尤其是每月）。你会得到一个无广告表示感谢。
更多信息：Xueqi Li等人，使用Memristor Compute In-Memory芯片的联合学习，具有原位物理无倾斜功能和真实的随机数发生器，自然电子（2025）。doi：10.1038/s41928-025-01390-6
©2025科学X网络
引用：计算中的内存芯片显示出对联合学习系统提高效率和隐私性提高的希望（2025年，6月24日）检索2025年6月24日摘自https://techxplore.com/news/2025-06-memory-chip-chip-felcipical-privacy-federated.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《计算中的内存芯片显示出对联合学习系统提高效率和隐私性提高的希望》的评论
暂无评论