欢迎光临
我们一直在努力
您的位置:首页>资讯 >

Eta Compute首次推出用于边缘AI的尖峰神经网络芯片

在手臂TECHCON今天,总部位于加州西湖村,启动埃塔计算秀出它认为是第一个商用的低功耗芯片AI能够使用一种类型的机器学习的所谓脉冲神经网络自身的学习。用于低功率或电池供电的物联网设备的大多数AI芯片具有神经网络,该网络已经由更强大的计算机训练以完成特定的工作。一个可以做所谓的无监督学习的神经网络基本上可以训练自己:给它显示一副牌,它将弄清楚如何从五个四肢中对三分球进行排序。

Eta Compute的第三代芯片TENSAI也 使用卷积神经网络进行传统的深度学习。潜在客户已经拥有新芯片的样品,该公司预计将在2019年第一季度开始 批量生产。

神经网络本质上是一组节点,具有称为“权重”的值和与其他节点的连接。连接和重量的组合是能够从照片中的蛇或者口语中的“蛇”一词中说出“slug”这个词的智能。在卷积神经网络(“深度学习”类型)中,这些权重通常是8位或16位数。但是在尖峰神经网络中,它们只是1或0。因此,关键的神经网络操作 - 乘法和累加 - 变成大部分加法,减少了计算量并因此减少了所消耗的功率。“这是一个更简单的操作,”市场营销联合创始人兼副总裁Paul Washkewicz说。

另一个不同之处在于,虽然卷积神经网络中的节点倾向于密集连接,但是尖峰网络 的连接最终非常稀疏。稀疏网络和不太复杂的数学相结合意味着它需要更少的数据和时间来得出答案。例如,为了识别下面视频中照片中看到的猎豹,CNN需要100,000像素; 尖峰神经网络需要不到1000。

机器学习的圣杯之一是无监督学习,”Washkewicz说。通常,网络会接受数百或数千个在现实世界中需要识别的标记示例的培训。对于嵌入式系统,然后将得到的权重和连接集编程到芯片上。“当你谈到机器学习的民主化以及让常规工程师和计算机科学家参与物联网时,你需要能够使[网络]的培训变得更加简单。”

因为它们的结构包括反馈,所以即使没有标记的数据集,尖峰神经网络也能够自我训练。在提供的Eta Compute示例中,网络训练自己识别单词“smart”,一旦完成,就正确地忽略“黄色”和“哑”这两个词。

TENSAI芯片主要由Arm M3内核和NXP CoolFlux数字信号处理器内核组成。DSP有两个阵列,专门用于深度学习的主要计算 - 乘法和累加。这些内核以称为异步亚阈值技术的方式实现。它允许它们以低至0.2伏的电压工作(与大多数芯片使用的0.9 V相比),并且可以按比例放大或缩小时钟周期以满足计算需求。Washkewicz说,这项壮举需要大量的模拟设计工作,即使对于数字部件也是如此。“我们在模拟上花了很多工程时间; 这是一个优势来源。“

结果是Eta Compute认为芯片会吝啬地听到电池供电的音频设备中的“唤醒词”。在这样的系统中,它可能在聆听模式下仅消耗50微瓦,并且在完全清醒时仅跳至500微瓦。

免责声明:本网站图片,文字之类版权申明,因为网站可以由注册用户自行上传图片或文字,本网站无法鉴别所上传图片或文字的知识版权,如果侵犯,请及时通知我们,本网站将在第一时间及时删除。