NeuroMem IP:高速度低功耗的模式学习利器

数据是“未来的石油”未来的各种技术,包括芯片、软件,通讯技术都为了处理数据。到 2020 年保守估计全世界会有 500 亿设备互联。500 亿设备从数量上看是人使用设备的 10 倍,未来数据来源于各种设备终端:无人车、智能家居,摄像头等都在产生数据。需要用技术去处理数据这些使其对客户产生价值。巨头通过招募 AI 高端人才、组建实验室等方式加快关键技术研发。

AI 芯片作为产业核心,也是技术要求和附加值最高的环节,产业价值和战略地位远远大于应用层创新。AI 芯片领域的创新涉及到人工智能算法、编程语言、计算机体系结构、集成电路技术、半导体工艺的方方面面。

AI 芯片最大特色是训练和推导兼顾,提供端到端的解决方案。最大好处是可以通过前端的很多小的智能设备,代入数据。人工智能从技术突破早期阶段到经济正循环的产业升级,应用场景下的芯片,异构计算、软硬协同是趋势。

成功的关键是把软件和硬件协同优化,硬件毕竟在 AI 时代不适合做视频编解码一样完整的黑盒子,很多时候还要算法的演进,所以即使定制加速硬件也留有让软件做编程控制的余地,一流视觉算法要配合合适的定制加速硬件,这样才能最好的完成任务。未来真的部署 AI 时云和前边的设备比可能是 1:100 设备以上,所以更需要低功耗有能力的芯片,而且需要很多压缩一些训练好的神经网络的能力,网络压缩技术,同时保持很好的识别的精度。神经元芯片,不通过传统指令级方式构建硬件实现某一特定功能。只模拟人脑的神经元互相组织,连接的机制,计算,存储,存储里描述连接的关系。

案例分析高仿人类大脑的 NeuroMem IP

GeneralVision 开发的 CM1K, NM500 芯片为例,他们共有的特点是载有 NeuroMemIP:NeuroMem IP 即仿神经记忆模组,又可称为神经网络,能够在高速度和低功耗的状态下进行模式学习和识别。这些模式可以来自任何数据类型,如文本、科学数据集、生物信号、音频文件、图像和视频等。由于独特的并行架构,神经元可以在固定时间内学习和识别一个模式,不论这个模式有多少参考模型。它能被用于各种需要实时且低功耗模式识别的应用场景。

NeuroMem IP 的行为和结构高度仿照人类大脑: 查询或刺激同时发送给所有神经元;自动对刺激源进行自身记忆之间的精确或模糊匹配;强者通吃,抑制弱反应者。响应按照信任级别自动排序;知道它们什么时候不知道,并开始进行学习;如果训练样本的反应与历史输入相矛盾,会自动纠错;神经元在低频(MHz)状态下工作,高效节能;数量具有高度的可伸缩性,不会影响 I/O(输入/输出)的数量;还有保存和恢复知识的能力。

神经元互连模块可连接 FPGA 或 ASIC 平面图中实例化的多个神经元簇,同时可将外部 NeuroMem 芯片上的神经元以菊花链模式连接到设备上。

模块一次处理所有神经元的命令广播, 但也允许他们相互作用,以达到经识别后“胜者通吃”,或者以便他们可以在学习过程中发现新奇事物,让新的神经元学习新奇的模式。

还有其他可选模块可以集成到 NeuroMem IP,如与之兼容的通信控制器与外部 MCU 或 CPU,或专用控制器。这些模块成为 NeuroMem 总线的主控,在需要时发送刺激给神经元并读取它们的反应。

通常,它们通过自定义总线接收外部 I/O 信号进行采样,提取特征向量并将传输到神经元进行学习和识别。它们可以转义发射神经元的响应,以传输到外部驱动器或微控制器,如果适用,则迭代进程或启动不同的进程。这些模块可以处理双时钟、采样和在不同的 NeuroMem 总线时钟频率处理 I/O 控制线。

为飞行驾驶的“物联网”开路护航

应用场景以从时间和空间前所未有地快速精准地收集着各种数据“飞行物联网”无人机为例:可以为无人机能提供细节丰富的影像数据,填补卫星和地面之间的空白地带,接近实时捕获整个地球的高清影像。

数据决定任务,而非任务决定数据。互联设备促进互联网智能化。互联设备不仅从网络获取智能,也会向网络反馈数据。相比计算技术和算法的发展,目前人工智能的兴盛更应归结于数据来源的大幅扩展。现在和将来,大量数据都来自对世界(包括人和环境)的测度。而借由互联设备,传感器无处不在。

理想的企业级无人机是无人机和企业级软件的无缝整合:收集数据、上传云端、分析后以合用形式展示出来,全部接近实时自动完成。而芯片在这个过程必然起到关键的作用。

发布者:Cara,转载请注明出处:http://www.makercollider.com/post/5706

发表评论

登录后才能评论
QR code