Neue Art von Beschleunigungs-SoCs für neuronale Netze

Neuromorpher SoC

Neue Art von Beschleunigungs-SoCs für neuronale Netze

Der neuromorphe System-on-Chip-Baustein (NSoC) Akida ermöglicht erstmals eine gepulste neuronale Netzwerk-Architektur (SNN: Spiking Neural Network) in Serie.

Jeder Akida NSoC weist 1,2Mio. Neuronen und 10Mrd. Synapsen auf, was eine 100-mal bessere Effizienz mit sich bringt, als bei neuromorphen Testchips von Intel und IBM. Der NSoC wurde für den Einsatz als eigenständiger Embedded-Beschleuniger oder Co-Prozessor entwickelt. (Bild: BrainChip Holdings Ltd.)

Jeder Akida NSoC weist 1,2Mio. Neuronen und 10Mrd. Synapsen auf, was eine 100-mal bessere Effizienz mit sich bringt, als bei neuromorphen Testchips von Intel und IBM. Der NSoC wurde für den Einsatz als eigenständiger Embedded-Beschleuniger oder Co-Prozessor entwickelt. (Bild: BrainChip Holdings Ltd.)

Laut Daten des Marktforschungsunternehmens Tractica wird der Markt für KI-Beschleuniger-ICs bis zum Jahr 2025 die 60Mrd. US-$ überschreiten, Neuromorphe Computer versprechen dabei eine schnellere KI, insbesondere bei stromsparenden Anwendungen. Akida, griechisch für ´Puls bzw. Spitze‘, ist der erste Baustein einer neuen Generation von KI-Hardwarelösungen. Der NSoC ist klein, kostengünstig, stromsparend und eignet sich für Edge-Anwendungen wie Fahrerassistenzsysteme (ADAS), autonome Fahrzeuge, Drohnen, bildgesteuerte Robotik, Überwachungs- und Bildverarbeitungssysteme. Da er skalierbar ist, lassen sich zudem mehrere NSoCs miteinander verknüpfen.

Der Akida NSoC

Der Akida NSoC basiert auf einem reinen CMOS-Logikprozess. Gepulste neuronale Netze (SNNs) sind von Natur aus weniger leistungsfähig als herkömmliche faltungsneuronale Netze (CNN), da sie die rechenintensiven Faltungen und Fehlerfortpflanzungs-Trainingsmethoden durch biologisch inspirierte Neuronenfunktionen und Feed-Forward-Trainingsmethoden ersetzen. Brain-Chips Forschung hat das optimale Neuronenmodell und die besten Trainingsmethoden ermittelt. Jeder Akida NSoC weist effektiv 1,2Mio. Neuronen und 10Mrd. Synapsen auf, was eine 100-mal bessere Effizienz mit sich bringt, als bei neuromorphen Testchips von Intel und IBM. Vergleiche mit führenden CNN-Beschleunigern zeigen Leistungszuwächse um mehr als eine Größenordnung bei Bild-/Sekunden-/Watt-Benchmarks wie CIFAR-10 mit vergleichbarer Genauigkeit. „SNNs gelten als die dritte Generation neuronaler Netze“, so Peter van der Made, Gründer und CTO von BrainChip. „Der Akida NSoC ist das Ergebnis jahrzehntelanger Forschung, um das optimale Neuronenmodell und innovative Trainingsmethoden zu ermitteln.“ Der Akida NSoC wurde für den Einsatz als eigenständiger Embedded-Beschleuniger oder Co-Prozessor entwickelt. Er enthält Sensorschnittstellen für die pixelbasierte Bildgebung, dynamische Bildsensoren (DVS), Lidar, Audio und Analogsignale. Es verfügt zudem über Hochgeschwindigkeits-Datenschnittstellen wie PCI-Express, USB und Ethernet. Im NSoC finden sich Daten-zu-Puls-Wandler, die gängige Datenformate optimal in Pulse/Spikes umwandeln, um von der Akida-Neuronen-Fabric trainiert und verarbeitet zu werden.

Seiten: 1 2Auf einer Seite lesen

BrainChip Holdings Ltd.
www.brainchipinc.com

Das könnte Sie auch Interessieren

Bild: Rauscher GmbH
Bild: Rauscher GmbH
CPU-Entlastung

CPU-Entlastung

Mit der Netzwerkkarte GevIQ löst Matrox Imaging (Vertrieb Rauscher) die aktuellen technischen Nachteile von Highend-GigE-Vision-Systemen. Die grundlegende Idee ist, die CPU durch eine zusätzliche Karte – ähnlich wie bei einem Framegrabber – zu entlasten und das De-Paketizing der Bilder ohne CPU-Einsatz vorzunehmen.