你的位置：首頁 > 電源管理 > 正文

如何讓IoT應用從芯片自我學習中受益

發(fā)布時間：2017-06-13 責任編輯：susan

【導讀】比利時研究機構Imec認為，相較于使用神經網絡，基于電阻和磁內存單元數(shù)組的機器學習加速器更有助于降低成本和功耗。例如，在其最初的研究結果顯示，磁阻式隨機存取內存（MRAM）數(shù)組可讓功率降低兩個數(shù)量級。
 
但這項具有前景的開發(fā)工作仍處于初期階段。Imec預計要到今年稍晚提出專利申請后，才會發(fā)布更多有關該芯片的架構及其性能等細節(jié)。該研究機構從一年半以前開始組成機器學習小組，期望擴展在其核心任務——芯片制程技術以外的更多相關研究。
 
在今年的Imec技術論壇（ITF2017）開幕當天，研究人員們率先發(fā)布這款芯片，同時也介紹其于低功耗眼動追蹤系統(tǒng)的最新進展，以及一款可為義肢提供更高階觸覺反饋的植入式芯片。
 
在自我學習分類任務方面，采用MRAM單元的Imec數(shù)組具有更高100倍的能源效率。Imec半導體技術與系統(tǒng)執(zhí)行副總裁An Steegen表示：「整體而言，使用新興內存比基于CMOS的機器學習架構更節(jié)能?！?/div>
 
另一款芯片采用基于金屬氧化物電阻式隨機存取內存（ReRAM）的單元數(shù)組，Imec研究人員們稱之為‘OxRAM’。 這款65nm的芯片經由取得40首古典長笛樂曲上的資料，學會了預測模式，然后再根據(jù)所學習的模式自行創(chuàng)作音樂。
 
新興內存的優(yōu)點在于能讓數(shù)據(jù)位儲存在同一個單元中，從而實現(xiàn)最小的晶粒尺寸。這種方法讓Imec更加期望有一天能將其整合于傳感器節(jié)點中，讓物聯(lián)網（IoT）應用得以從自我學習中受益。
 
圖1：Imec的自我學習芯片可望為成本和功耗受限的IoT節(jié)點帶來機器學習功能 （來源：Imec）
 
該芯片需要許多數(shù)組的層級架構以執(zhí)行有利的工作。但 Imec尚未透露這款芯片上的數(shù)組大小。
 
負責這項開發(fā)計劃的Praveen Raghavan說：「OxRAM一直用于內存儲存，但我們想將它用于兩個對象之間的隨機鏈接。該展示以饋入編碼機制作為輸入，并提供可能的預測，饋入地址并讀取預測作為輸出數(shù)據(jù)。」
 
「其優(yōu)點在于能實現(xiàn)極其密集的自我學習芯片——相形之下，IBM的True North的占位面積太大了。而且，這款極高密度且極低功耗的芯片是可以大量制造的，」他補充說。
 
雖然不完全是神經網絡，但這種技術在應用方面類似于可預測事件序列的長短期記憶（LSTM）網絡。他說：「相較于LSTM加速器需要更多的數(shù)據(jù)以及一款用于訓練的較大GPU，這款OxRAM芯片的成本比更低?！?/div>
 
OxRAM途徑也適用于像生成對抗網絡（GAN）等應用；GAN是一種新興的技術，讓神經網絡之間互相對抗，以加快學習速度。
 
義肢觸覺與眼動追蹤技術
 
此外，Imec還開發(fā)了具有128個記錄電極和32個刺激電極的植入式神經芯片硬件，可實現(xiàn)較現(xiàn)有裝置更多10倍的觸點數(shù)。這款芯片如今正在進行動物試驗，期望能提供較現(xiàn)有義肢更明顯有效的控制與觸覺反饋。
 
這款芯片能夠以數(shù)百毫秒（ms）的速度在大腦和義肢之間傳送訊號。雖然比人類的神經傳導速度更慢，但較當今的義肢所要求的秒數(shù)更快。
 
圖2：植入式芯片承諾更快的訊號傳送速度，從而實現(xiàn)更有效的義肢控制
 
然而，Imec至今僅開發(fā)了硬件原型，尚未對于軟件進行優(yōu)化。隨著導線數(shù)量持續(xù)增加，未來可能會產生明顯的延遲。
 
該計劃是Imec與美國佛羅里達大學（University of Florida）合作的一部份，該?，F(xiàn)正進行美國國防部先進研究計劃署（DARPA）的一項研究計劃。
 
最后，Imec并展示提供眼動追蹤技術的眼鏡，其方式是在眼睛周圍監(jiān)測人腦與神經訊號。截至目前為止，該系統(tǒng)的準確度還比不上目前基于攝影機的眼動追蹤技術。不過，它更有助于大幅降低成本與功耗。
特別推薦
技術文章更多>>
技術白皮書下載更多>>
熱門搜索
?

關閉

?

關閉