En una serie de artículos y conferencias, he propuesto una arquitectura de "Sumador Rápido Simple y Lineal" para Unidades Lógicas Aritméticas (ALU, por sus siglas en inglés). El cuello de botella de Von Neumann, responsable en gran parte de la mayoría del retraso y el consumo de energía de un procesador, es evitado utilizando una arquitectura de Computación en Memoria (Compute-In-Memory). Este avance permite un procesamiento más rápido y eficiente en términos de energía, lo cual es crucial para el entrenamiento de redes neuronales e inteligencia artificial (IA), criptografía, modelado científico, investigación matemática, procesamiento digital de imágenes y otras aplicaciones intensivas que requieren ASICs, GPUs y TPUs de alto rendimiento.

​​

Los sumadores rápidos tradicionales aumentan su complejidad y área proporcionalmente al cuadrado del número de bits. Sin embargo, el sumador propuesto tiene una complejidad de circuito constante, una profundidad de compuerta reducida y es escalable linealmente. Además de ofrecer una mejor eficiencia en tiempo y energía, el diseño, la producción y los costos de material también son menores. Este Sumador Rápido Simple y Lineal ofrece una ventaja aún mayor con respecto a otras arquitecturas, ya que permite implementar una arquitectura de Computación-En-Memoria para sumar múltiples entradas y multiplicar dos entradas. De las características más importantes de este circuito es que se puede escalar para lograr Multiplicación Rápida de Matrices In-Situ (Computación-En-Memoria).

​​

​​

La importancia de la Multiplicación de Matrices

​​

La multiplicación de matrices es una operación fundamental en matemáticas, ciencias de la computación e ingeniería, que permite modelar y calcular relaciones complejas entre conjuntos de datos. Su eficiencia impacta directamente el desempeño de numerosas aplicaciones de vanguardia, entre ellas:

​

1. Inteligencia Artificial (IA) y Aprendizaje Automático (ML)
   La multiplicación de matrices impulsa operaciones esenciales en redes neuronales, como la aplicación de pesos a entradas durante la propagación hacia adelante y hacia atrás. Afecta directamente la velocidad de entrenamiento y la escalabilidad de los modelos de IA, fundamentales para aplicaciones como procesamiento de lenguaje natural, visión por computadora y sistemas de recomendación.

2. Gráficos Computacionales y Videojuegos
   Transformaciones como rotación, escalado y traslación en gráficos 3D dependen de operaciones matriciales. La multiplicación de matrices permite renderizar en tiempo real para videojuegos, simulaciones y entornos de realidad virtual o aumentada.

3. Criptografía y Seguridad
   La multiplicación de matrices es fundamental para muchos algoritmos criptográficos utilizados en el intercambio seguro de claves, el cifrado y el descifrado. Acelerar estas operaciones mejora la eficiencia en la protección de datos sensibles, especialmente en aplicaciones en tiempo real.

4. Computación Científica y Simulaciones
   En campos como física, química y modelado meteorológico, las operaciones matriciales son cruciales para resolver simulaciones a gran escala y métodos numéricos. La multiplicación de matrices más rápida permite procesar modelos más complejos y precisos en menos tiempo.

5. Análisis de Datos y Big Data
   Técnicas como el análisis de componentes principales (PCA) y los modelos de aprendizaje automático utilizan la multiplicación de matrices para analizar correlaciones y patrones en conjuntos de datos masivos, generando información clave en sectores como finanzas, salud y marketing.

6. Procesamiento de Señales
   El procesamiento de señales digitales para datos de audio, imagen y video depende de la multiplicación de matrices para tareas como filtrado, transformaciones y compresión. Esta operación es integral para tecnologías como codificación MP3, compresión de video e imágenes médicas.

7. Problemas de Optimización
   Desde logística hasta robótica, muchas técnicas de optimización involucran resolver ecuaciones que dependen de operaciones matriciales. Una multiplicación de matrices rápida y eficiente acelera la toma de decisiones y la resolución de problemas en sistemas en tiempo real.

El costo computacional de la multiplicación de matrices aumenta rápidamente con el tamaño de las matrices. A medida que crece la demanda de potencia computacional, especialmente en campos como la IA, Big Data y la criptografía, los avances en hardware para la multiplicación de matrices serán esenciales para impulsar la innovación y abordar los desafíos futuros. Innovaciones como la Unidad Aritmética Rápida (FAU, por sus siglas en inglés), que incorpora multiplicación de matrices optimizada a nivel de hardware, son críticas.

​

​

Arquitectura In-Situ: Nuevas Fronteras para la Computación

​

La arquitectura tradicional de Von Neumann separa la memoria del procesamiento, lo que requiere mover datos entre estos componentes. Esto crea un cuello de botella significativo, especialmente en tareas con cargas masivas de operaciones como la multiplicación de matrices. La arquitectura de Computación en Memoria (CIM) elimina este cuello de botella al realizar cálculos directamente dentro de la memoria, ofreciendo varios beneficios transformadores:

​

1. Reducción de la Latencia: Al minimizar la transferencia de datos entre la memoria y el procesador, la CIM acelera significativamente las operaciones matriciales.

2. Eficiencia Energética: Los cálculos realizados dentro de la memoria reducen el consumo de energía, haciéndolo ideal para aplicaciones que requieren un rendimiento sostenido, como centros de datos y entrenamiento de IA.

3. Escalabilidad: La arquitectura admite el procesamiento paralelo de operaciones matriciales, crucial para tareas de computación de alto rendimiento.

4. Diseño Compacto: La CIM reduce el tamaño del hardware, permitiendo su integración en dispositivos más pequeños, desde móviles hasta nodos de computación en el borde.

Cuando se combina con hardware optimizado como la Unidad Aritmética Rápida (FAU), la arquitectura de computación en memoria amplifica el impacto de la multiplicación de matrices al proporcionar una velocidad y eficiencia computacional inigualables. Esta sinergia es particularmente vital para satisfacer las crecientes demandas de la IA, Big Data y sistemas en tiempo real.

​​​​​​

​​

1. Propuesta

2. Reporte de Patentabilidad

   • Solicitud Internacional con Descripción
   • Fase Nacional
     • Canada
     • China
     • India
     • Japón
     • Korea
     • Singapúr
     • Reino Unido
     • Estados Unidos de América

3. Artículos

   • J. P. Ramírez, "Simple and Linear Fast Adder of Multiple Inputs and Its Implementation in a Compute-In-Memory Architecture," 2024 International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA), Victoria, Seychelles, 2024, pp. 1-11. (Archivo PDF).

   • On a Simple and Linear Fast Adder and Its Implementation for In-Memory Matrix Multiplication. Preprint.

4. Conferencias

   • “Sumador Rápido Simple y Lineal Basado en una Representación Simple de los Números Naturales y Reales”. Sesión Especial de Ciencias de la Computación, 55 Congreso Nacional de Matemáticas, Guadalajara, Jalisco, 2022.

   • "Un Algoritmo para Multiplicación Rápida y Suma de Dos o Más Entradas y su Implementación para Computación In-Situ". Sesión Especial de Ciencias de la Computación, 56 Congreso Nacional de Matemáticas, San Luis Potosí, 2023.

   • "Simple and Linear Fast Adder of Multiple Inputs and It's Implementation for a Compute-InMemory Architecture”. International Conference on Artial Intelligence, Computer, Data Sciences and Applications, 1-2 February 2024, Victoria-Seychelles. 

5. Enlaces Adicionales

   • Datos Generales

     • "Operation Costs in CPU Clock Cycles." Infographics.

     • "Why Haven't CPU Clock Speeds Increased in the Last Few Years?" Comsol.

     • "How Much do CPUs and GPUs Cost to Manufacture?" Linus Tech Tips.

     • "Jim Keller's Tenstorrent Wants to Compete with NVIDIA's AI GPUs Using RISC-V Based AI CPUs." Wccftech.

     • How Japan Won Lithography (and US Lost)

   • ALU

     • General

       • Arithmetic Logic Units Information. Global Specs.

       • Advanced Arithmetic Techniques.

       • A Little Bit of Everything. Code, Assembly, Arithmetic, Registers. GPFault.

       • Organization of Computer Systems: Computer Arithmetic.

       • A CMOS VLSI Implementation of an Asynchronous ALU.

     • Sumadores Rápidos

       • Carry Look-Ahead.

       • Carry Select.

       • Carry Save.

       • The Power of Carry Save Addition.

       • Parallel Self-Timed Adder with Look-Ahead Carry Generator.

       • Closing the Gap Between Carry Select Adder and Ripple Carry Adder. A New Class of Low-Power High-Performance Adders. 2005.

       • Performance Comparison of Asynchronous Adders. 1994.

       • Performance Analysis of Fast Adders Using VHDL. 2009.

       • Area, Delay and Power Comparison of Adder Topologies. 2012.

       •  Performance Comparison of Some Synchronous Adders. 2018. 

     • Multiplicadores

       •  Fast Multiplication. Algorithms and Implementation. 1994. 

       • An Area Optimized N-Bit Multiplication Technique. 2019.

       • High Precision Integer Multiplication with a GPU Using Strassen's Algorithm with Multiple FFT Sizes.

       • Design of 16-Bit Low Power ALU. 2013.

       • Design of Multiplication and Division Operationi for 16-Bit ALU. 2020.

       • An OIptimized Floating Point Matrix Multiplication on FPGA. 2013.

   •  ASICs​

     • From Concept to Chip: The Art and Science of ASIC Design in Bitcoin Mining

     • ASIC Design for Bitcoin Mining

     • Custom ASIC Design for SHA-256 Using Open-Source Tools

   • Arquitecturas Alternativas

     • Computación-En-Memoria

       • Research Progress in Architecture and Application of RRAM with CIM. 2023.

       • New Computing Hardware Needs a Theoretical Basis, says study. Tech Xplore.

       • Microchip Breakthrough May Reshape the Future of AI. Defense One.

       • The Uncertain Future Of In-Memory Compute. SemiConductor Engineering.

       • In-Memory Computing Challenges Come Into Focus. SemiConductor Engineering.

       •  A Full Spectrum of CIM Technologies. 2023. 

       • IBM's New In-Memory Architecture.

       • Intel invests in ‘Groundbreaking’ AI Chip Architecture Startup. Smart2Zero.

       • Swiss Researchers Develop First Large-Scale In-Memory Processor. Interesting Engineering.

       • China Makes Breakthrough in System-Integrated Memristor Computing-In-Memory Chips. Global Times.

       • Beyond Quantum: MemComputing ASICs Could Shatter 2048-bit RSA Encryption. Security Week.

       • Cerebras Inference.

       • MemComputing.

     • Arquitectura 3D

       • Why Wafer Bonding is the Future of Semiconductors.

       • Researchers use 2D material to reshape 3D electronics for AI hardware.

       • 3D-Stacked CMOS Takes Moore’s Law to New Heights. IEEE Spectrum.