Innatera представила первые нейроморфные AI чипы для ультра-низкоэнергопотребляющих пограничных приложений

Innatera, голландский стартап, специализирующийся на нейроморфных AI-ускорителях для spiking neural networks (SNN), произвела свои первые чипы, измерила их производительность и раскрыла ключевые архитектурные детали.

Компания также анонсировала, что Альберто Саньованни-Винчентелли — сооснователь Cadence и Synopsys — присоединился как председатель совета директоров. Саньованни-Винчентелли в настоящее время профессор в UC Berkeley и приносит десятилетия отраслевого опыта.

Чип Innatera разработан для ускорения разных SNN для аудио, здоровья и радара (Изображение: Innatera)

В отличие от конвенциональных AI-моделей, SNN имитируют спайковую активность мозга, используя точное тайминг электрических импульсов для распознавания паттернов. Из-за этой уникальной вычислительной парадигмы SNN требуют выделенного железа, способного эффективно обрабатывать временные ряды данных при минимальном потреблении энергии.

В то время как многие конкуренты, такие как Prophesee, целятся в образ и видео потоки, Innatera фокусируется на аудио (распознавание речи), здоровье (мониторинг жизненно важных показателей) и радар (сохранение приватности обнаружение падений для пожилых). Эти домены полагаются на непрерывные временные ряды данных и требуют тесных энергобюджетов на сенсорном узле.

Marco Jacobs (Изображение: Innatera)

«Наш массив превосходит в обработке временных рядов данных, что является ядром аудио, здоровья и радара», — сказал Марко Джейкобс, VP маркетинга и бизнес-развития. «Существует мало решений, эффективно адресующих эти потребности.»

Тесты Innatera показывают, что каждое событие спайка потребляет менее пикоджоуля — под 200 фДж в TSMC 28 нм процессе — приближаясь к энергии, используемой биологическими нейронами. Типичная задача keyword-spotting требовала менее 500 спайков на инференс, давая суб-милливаттную диссипацию мощности, согласно CEO Сумиту Кумару.

Кластеры стреляющих нейронов (группы точек) представляют детекцию фонем в речи. По мере включения шума в входные данные те же кластеры в основном присутствуют, хотя их труднее заметить (Изображение: Innatera)

Архитектура обработки

Процессор Innatera использует массив параллельный нейро-синаптический с энкодерами и декодерами спайков, работающий в аналоговом/смешанно-сигнальном домене для сохранения непрерывной-временной динамики.

Нейроморфный спайковый процессор Innatera включает массив параллельный нейро-синаптический и энкодеры/декодеры спайков (Изображение: Innatera)

Архитектура подчеркивает программируемость, обеспечивая гибкую нейронную связность и тонкую настройку спайкового тайминга через SDK. Эта гибкость критична для воспроизведения сложных сетевых топологий мозга в кремнии и оптимизации производительности на разнообразных SNN-нагрузках.

Нейроны и синапсы реализованы в аналоговом кремнии для поддержания ультра-низкого потребления и возможности непрерывного удержания состояния — задач, которые были бы дорогими для дискретизации в чисто цифровых схемах. «Аналоговые домены естественно сохраняют информацию о состоянии, устраняя необходимость кодировать её в топологию сети», — сказал Кумар.

Сегмент вычислений в массиве Innatera, где нейроны спроектированы для тщательного совпадения. Программируемые синапсы расположены в многоуровневой перекрестной структуре. (Черные линии/тире здесь представляют входные и выходные спайки) (Изображение: Innatera)

Для смягчения вариабельности производства Innatera группирует нейроны в тесно совпадающие сегменты, обеспечивая детерминированное поведение по всему массиву. ПО в SDK компенсирует остаточные несовпадения, позволяя разработчикам фокусироваться на логике приложения вместо низкоуровневой калибровки.

Приложение-специфический фокус

Вышвартованная из Delft University of Technology, Innatera 확보ла €5 млн (≈$6 млн) сид-финансирования к концу 2020 года. Компания уже сотрудничала с платящими клиентами, доставляя зрелые SNN-алгоритмы перед переходом к железу.

«Мы — компания вычислительных решений», — сказал Кумар. «Мы предоставляем готовые решения, комбинирующие железо с приложение-специфичными SNN-алгоритмами.»

Первый чип валидирован для аудио, здоровья и радара сценариев, с дорожной картой, которая может ввести дальнейшие оптимизации, адаптированные к каждому домену. «Наша архитектура поддерживает широкий спектр SNN по приложениям, но мы продолжим уточнять железо для более глубокой доменной интеграции», — добавил Кумар.

Начальные образцы чипов ожидаются к концу 2021 года.

> Эта статья была изначально опубликована на нашем сестринском сайте, EE Times.

---

Связанные материалы:

• AI чип нацелен на низкоэнергопотребляющие пограничные устройства
• Инструментальная цепочка, сенсорная плата улучшают экосистему AI чипа
• Новые модули AI ускорения улучшают пограничную производительность
• AI на краю: что искать в 2021
• Как реализовать AI of Things (AIoT) на MCU

Для большего Embedded, подпишитесь на еженедельную email-рассылку Embedded.