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.)
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.
Gepulste neuronale Netze (SNN) gelten als die dritte Generation neuronaler Netze. (Bild: BrainChip Holdings Ltd.)
Innovative Trainingsmethoden
SNNs sind von Grund auf Feed-Forward-Datenflüsse für das Training und Inferencing. Das Akida-Neuronenmodell deckt innovative Trainingsmethoden für das überwachte und unbeaufsichtigte Training ab. Im überwachten Modus trainieren sich die ersten Ebenen des Netzwerks selbstständig, während in den letzten vollständig vernetzten Ebenen Label angewendet werden können. Damit dienen diese Netzwerke als Klassifizierungsnetzwerke. Der NSoC ist so konzipiert, dass er in der Akida-Entwicklungsumgebung ein Off-Chip-Training ermöglicht – oder ein On-Chip-Training. Eine integrierte CPU steuert die Konfiguration der Akida-Neuronen-Fabric sowie die Off-Chip-Kommunikation von Metadaten. Die Entwicklungsumgebung ist ab sofort für Early-Access-Kunden erhältlich, die mit dem Erstellen, Training und Testen von Akida-NSoC-basierter SNNs beginnen wollen. Der Akida NSoC wird voraussichtlich im dritten Quartal 2019 als Muster zur Verfügung stehen.
