荷蘭的 Innatera 推出了第一款使用神經(jīng)形態(tài)架構(gòu)的商用微控制器，用于傳感器應用。

Pulsar 芯片具有異構(gòu)架構(gòu)，將模擬和數(shù)字神經(jīng)形態(tài)模塊與傳統(tǒng)卷積神經(jīng)網(wǎng)絡加速器和 RISC-V 內(nèi)核相結(jié)合。與傳統(tǒng)的 AI 處理器相比，它的延遲降低了 100 倍，能耗降低了 500 倍，芯片尺寸為 2.6 x 2.8 毫米，采用臺積電的標準 28nm 工藝制造，體積不到 5 美元。

“Pulsar 不僅僅是另一個 AI 芯片——這是世界上第一個量產(chǎn)的神經(jīng)形態(tài)微控制器，代表了我們將智能帶到邊緣的方式的根本轉(zhuǎn)變，”Innatera 的聯(lián)合創(chuàng)始人兼首席執(zhí)行官 Sumeet Kumar 告訴 eeNews Europe。

“去年出貨了 380 億個傳感器，到 2030 年將增長到 600 億個，所有這些都將比我們將其發(fā)送到云端的速度更快地生成數(shù)據(jù)，邊緣處理將不是可選的。但是，部署在微控制器上的模型受到限制，應用程序開發(fā)人員必須在功能、精度和功耗之間進行權衡。

此次發(fā)布是十多年來在神經(jīng)形態(tài)計算方面的深入研究和工程設計的結(jié)晶，并結(jié)合了開創(chuàng)性的異構(gòu)架構(gòu)。它標志著我們的類腦技術為大眾市場部署做好準備的時刻。這實際上是傳感器唯一需要的微控制器。

模擬神經(jīng)網(wǎng)絡 （ANN） 內(nèi)核使用時間電壓脈沖來識別模式并提取信息以進行時間序列處理，而無需復雜的模型。Kumar 說：“ANN 加速器完全使用尖峰進行計算，它是一個由神經(jīng)元和突觸組成的大型結(jié)構(gòu)，帶有模擬和數(shù)字設備，延遲為 1ms，功耗低于 1mW。

“在結(jié)構(gòu)中，關鍵是帶有電容器的交叉開關網(wǎng)絡，這個過程不是線性的，而是指數(shù)級的，這在模擬域中使用單個晶體管就很簡單，”他說?！拔覀儾捎脭?shù)字尖峰神經(jīng)網(wǎng)絡的原因是為了實現(xiàn)可配置性和靈活性——這是通過門和乘法器實現(xiàn)的。計算是異步和事件驅(qū)動的，計算在數(shù)據(jù)傳入時隨時進行。在 CNN 中，你可以一次獲取所有數(shù)據(jù)并進行計算。

“我們看到很多客戶使用現(xiàn)有的 AI 模型，他們可以直接切換，但通常傳統(tǒng)的 CNN 會像圖像一樣查看帶有緩沖功能的所有內(nèi)容，所有這些都需要大量功率，而峰值網(wǎng)絡可以有效地處理流數(shù)據(jù)。例如，用于手勢識別的 1m 參數(shù) CNN 模型可以用 10,000 個參數(shù)、3kbyte、54 個神經(jīng)元的模型來實現(xiàn)，而且功耗非常低。

“對于大多數(shù)應用程序問題，你必須選擇 AI 方法，因此添加 CNN 開發(fā)人員可以為工作添加正確的工具，”他說。

他指出，無線耳機每次推理的音頻感應分類能量降低了 100 倍，達到 400 μW，模型縮小了 33 倍，準確率相同，達到 90%+。聲音識別每次推理的能耗降低了 88 倍，而準確性和延遲相同。雷達手勢識別的能量比 CNN 加速器低 42 倍（600 μW），延遲低 167 倍。

芯片設計的一個關鍵部分是具有與傳感器的接口，包括攝像頭和醫(yī)療傳感器。另一個關鍵要素是名為 Talamo 的軟件設計工具包 （SDK） 和用于尖峰網(wǎng)絡的庫。

“Talamo SDK 旨在通過一個擴展與 PyTorch 連接，該擴展引入了所有脈沖基礎設施，因此開發(fā)人員處于熟悉的環(huán)境中，并且模型描述與訓練數(shù)據(jù)一起以 python 編寫，我們的 SNN 編譯器將模型映射到芯片架構(gòu)上，這從根本上減少了神經(jīng)形態(tài)計算的障礙，從而可以輕松地構(gòu)建脈沖模型并將其部署到框架上。”

Innatera 正在推出其開發(fā)人員計劃，該計劃現(xiàn)已向早期采用者開放，并于 7 月推出神經(jīng)形態(tài)開發(fā)板。即將推出的開源 PyTorch 前端和市場將為神經(jīng)形態(tài) AI 創(chuàng)建一個更具協(xié)作性的生態(tài)系統(tǒng)。