神经形态芯片Biz升温

这已经不是什么秘密,今天的电脑是在努力跟上数据处理和带宽的巨大需求,和整个电子行业正在寻找新的方法来启用。

传统的方法是继续推动今天的系统和芯片的限制。另一种方法是去了非传统路线,包括一个古老的想法,产生蒸汽today-neuromorphic计算。

最初由工程大师在1980年代,神经形态计算和其前身——人工神经网络,利用专门的芯片是受大脑的计算功能。神经形态技术有时被称为brain-inspired计算,是一个范式转变,脱离摩尔定律。神经形态芯片不需要昂贵的先进工艺。

简单来说,神经形态芯片快速模式匹配引擎这一进程内存中的数据。理论上,这些芯片保证使系统能够执行一些任务,比如计算机视觉、数据分析和机器学习。最终目标是实现真正的人工智能(AI)。

今天,Facebook、谷歌和其他公司正在处理这些聪慧如任务使用传统计算机和芯片。在这种拓扑中,有时也被称为冯诺依曼体系结构,系统有三个主要组件处理器、内存和存储。他们是通过系统总线连接。

然而,行业运行到一个与今天的系统I / O瓶颈,至少在很多聪慧如应用程序。对于这些应用,行业希望开发一种新的神经形态系统和芯片,虽然他们不会取代传统技术在可预见的未来。

展望未来,“对于许多问题(冯诺依曼硬件)仍将是正确的解决方案,”杰弗里·伯尔说,一个主要研究人员在IBM研究。“但有一个巨大的工作,需要做这些(聪慧如)算法在软件定期冯诺依曼硬件工作。问题是,你需要这源源不断的数据通过总线。所以,你花费了大量的精力和时间航运数据。

“是理想的计算数据,”伯尔说。“这就是我们看到的这些神经形态系统的机会。这将加速机器学习。”

因此,神经形态技术终于经过多年的研究在雷达下升温。直到最近,一般的愿景是为数不多的几个供应商运输神经形态芯片。但此举可能推动技术,一般视力最近授权其知识产权英特尔,这是航运基于技术的嵌入式处理器。

此外,IBM最近推出了TrueNorth, 1 million-neuron处理器。与此同时,欧洲联盟,以及惠普、高通、三星和几个芯片公司,也追求技术。和几所大学和政府机构,如美国国防部(DoD),正在着手解决这一问题。

不过,神经形态技术面临着一场艰苦的战斗获得广泛采用。有些供应商运输神经形态芯片,但其他人则在苦苦挣扎。很难复制人脑功能的硅,和该行业的理解大脑的工作仍然是有限的。

此外,神经形态芯片需要不同的编程方式数据。此外,改革当前的芯片可能需要内存。总之,今天的神经形态芯片市场是一个小企业,但它预计将以每年26%的速度增长,到2022年达到48亿美元,根据市场和市场,一个出版商的研究报告。

人工智能的冬天
神经形态领域的技术和其前身——人工神经网络,是个炎热的市场在1980年代。当时,几家公司进行这方面的尝试和其他技术,使人工智能和所谓的专家系统。专家系统是一个计算机模仿人的决策能力。

“早在1980年代,每个人都以为专家系统要接管世界,”戴夫Schubmehl说,国际数据公司的分析师,市场研究公司。“但我们了我们所说的一个人工智能的冬天。我们真的没有足够的数据。我们真的没有足够的计算能力使这些专家系统是有用的。”

不用说,这些年来计算能力大大增加,但也有爆炸的数据量。

然而,由于计算能力的增加,Facebook、谷歌和其他公司已经开发出一种我喜欢的技术称为机器学习或深度学习。这种技术利用软件算法,进而可以学习,从各种数据做出预测。

这种技术的一个子集非监督机器学习。这使得使用人工神经网络处理数据。“基本上,紧缩的神经网络算法在数据足够长的时间来识别模式和识别一组属性与这些模式有关。随着时间的推移,它学习的那些属性很重要,”Schubmehl说。

“很多这些应用程序能够有效地运行在gpu(传统),”他说。“问题是如果我们把non-von诺伊曼体系结构,我们可能得到一个量子飞跃?真是太过早(神经形态技术)是否能真正被应用在广泛的范围内。”

神经形态技术是吸引人的。“冯·诺依曼体系结构更像串行执行的指令。你从外部访问内存,有点接近CPU,”研究员、主任Srinivasa班纳说,在GlobalFoundries高级设备体系结构。通过神经网络,你可以做一些与有效的元素。这些都是能源效率。但它需要创新的方式并行处理数据。”

神经形态芯片是什么?
在某种程度上,这个行业已经航运神经形态芯片选择市场,特别是对模式匹配应用程序。这里有一些假设的例子可能的应用:

•军事系统。使用神经形态技术,无人机在战场上可以识别和匹配潜在目标。它还可以学习新的数据动态。
•面部识别。相机和神经形态芯片,系统可以实时准确地匹配图像。
•工业装备。camera-enabled系统使用技术,能找到小缺陷芯片工厂不需要今天的晶片检查设备。

“今天,计算并行模式识别等技术不好,“家伙Paillet说,首席执行官一般视力,神经形态芯片供应商。“我并不是说电脑CPU、GPU,不能这么做。他们不是非常有效。”

的确,神经形态技术比传统的芯片都是不同的。根据斯坦福大学,有两类神经形态computing-artificial神经网络,和基于学习模型,模拟大脑。

在某种程度上,芯片基于神经网络的方法获得牵引力。相比之下,芯片基于生物学模型仍在试图离开地面,随着行业领域的一些障碍。

在这两种方法中,由多个神经元和突触的神经形态芯片。这些不是生物神经元和突触,但他们模仿这些结构的功能。

例如,一般的视觉神经形态的芯片包含1024个神经元,所有互联和并行工作。神经元是一个256字节的内存基于SRAM, + 3000逻辑门。

可以将多个芯片为计算机网络中,形成一个人工神经网络的基础。网络有大量的神经元和突触。突触连接一个神经元与另一个。

基本上,一个人工神经网络有三个layers-input,隐藏起来,和输出。在操作中,模式是首先用一个神经元在输入层。模式是广播到其他隐藏层神经元。每个神经元反应的数据。使用加权系统的连接,网络中的一个神经元反应最强烈的时候感觉一个匹配的模式。答案是显示在输出层。

神经网络也由一个学习机制。修改连接的权重根据输入模式。

与今天的芯片不同,神经形态设备内存中进行处理。这使更快的处理,但目前基于SRAM芯片。sram是快,但耗电,占用太多的区域。所以神经形态芯片制造商希望离开静态存储器对新一代记忆类型,如相变或ReRAM。此外,相变和ReRAM承诺使spike-based学习技术在芯片。在生物学中,神经元相互发送消息通过时间精确的脉冲或峰值。

神经形态社区也要将飙升,或定时元件,到他们的芯片,但这是该行业的主要障碍之一。“从工程和电气的角度来看,可以更复杂的编码实现,“Christian Gamrat表示,研究员东航Leti。

就其本身而言,CEA-Leti正在开发一种memristive-based设备阵列用于spike-based编码。数组是基于1 t-1r CBRAM技术。“虽然这是一个正在进行的工作,我们相信,记忆性的结合技术和spike-based编码是一种很有前途的方法的有效实现嵌入式神经形态架构,“Gamrat说。

在任何情况下,经过多年的承诺,在若干领域行业最终显示结果。在一个方面,一般视力在一段时间内一直航运130海里神经形态芯片,主要用于工业和相关应用程序。

一般的愿景也许可其IP英特尔,使用该技术在其所谓的居里模块。模块功能一个32位的夸克SE嵌入式处理器以及视觉的模式匹配的IP。

该模块可以推动神经形态技术到一些更广泛的市场。“居里的专用传感器中心可以以多种方式使用,”布赖恩说Krzanich,英特尔的首席执行官,在最近的一次事件。

该模块是针对健身追踪器和其他衣物。一般视觉的IP传感器数据的优化分析系统,使快速动作和动作的识别。

其他更传统的计算应用程序正在取得进展。例如在2013年,欧盟启动了人类大脑项目,为了更好地了解大脑。作为这一努力的一部分,该项目是研发两个神经计算平台。

这些项目的目的是加速在高端机器学习系统。一个项目,被称为大三角帆,是一个大规模并行计算机体系结构基于1036800基于arm9内核。

同时,第二个项目,称为BrainScaleS,旨在开发一个与512个神经元和180 nm芯片131072突触。BrainScaleS项目还包括一个基于混合信号芯片技术。“混合信号的方法结合了空间和当地节能模拟计算双星系统的可伸缩性,“迦Meier说,这个项目的领头人之一。

与此同时,IBM下降数字路径。去年,IBM推出了TrueNorth, 2.56亿芯片,包含100万个神经元,神经突触和4096芯平行。54亿年晶体管装置是基于SRAM和三星的28 nm制程。

此外,IBM还探索从SRAM迁移到相变存储器的概念。这种架构可能是快25倍功率低于系统基于传统的gpu,根据IBM。“这将是困难的对于任何非易失存储器SRAM的表现元素。对SRAM中总会有一个地方,但SRAM是区域饿,”IBM Research的伯尔说。“与相变的好处之一是,它有一个巨大的范围的电阻状态,从非常非常导电电阻。所以,当你想要它作为模拟元素,这是很吸引人的。

“通过执行计算的位置数据,non-von诺伊曼计算机应该提供力量和速度的好处。这样non-von诺伊曼方法,芯片上的大规模人工神经网络训练使用非易失性内存的突触可行性需要至少两件事,”伯尔说。“首先,尽管非易失存储器设备的固有缺陷,如相变内存或电阻RAM,(他们)必须达到竞争的性能水平与人工神经网络训练使用cpu或gpu。第二,执行计算的数据的好处必须授予决定的优势在训练,力量和速度或最好。”

在任何情况下,这个问题是显而易见的:“技术标题在哪里?”

“今天机器学习的存在,”伯尔说。“我们意识到这是不够的。我们想要机器学习从自己的经历。除此之外,我们正在开始超越从机器学习和对机器智能驾驶。”

为此,该行业可能会在几个方向。在短期内,公司将继续使用今天的系统。

长期的?这个行业可以使用传统的芯片。“技术也有可能像TrueNorth将导致事情non-von诺伊曼硬件,”伯尔说。“这可能会加速机器学习。五年后,我们将知道是否会发生。”