新式AI芯片為IoT賦予機器學習功能
2017-06-08 13:42:43 n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)數組可讓功率降低兩個數量級。
但這項具有前景的開發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，才會發布更多有關該芯片的架構及其性能等細節。 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，研究人員們率先發布這款芯片，同時也介紹其于低功耗眼動追蹤系統的最新進展，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數組具有更高100倍的能源效率。 Imec半導體技術與系統執行副總裁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能。 」
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數據，學會了預測模式，然后再根據所學習的模式自行創作音樂。
新興內存的優點在于能讓數據位儲存在同一個單元中，從而實現最小的晶粒尺寸。 這種方法讓Imec更加期望有一天能將其整合于傳感器節點中，讓物聯網(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節點帶來機器學習功能 （來源：Imec）
該芯片需要許多數組的層級架構以執行有利的工作。 但 Imec尚未透露這款芯片上的數組大小。
負責這項開發計劃的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據。 」
「其優點在于能實現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據以及一款用于訓練的較大GPU，這款OxRAM芯片的成本比更低。 」
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，可實現較現有裝置更多10倍的觸點數。 這款芯片如今正在進行動物試驗，期望能提供較現有義肢更明顯有效的控制與觸覺反饋。
這款芯片能夠以數百毫秒(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更快。
圖2：植入式芯片承諾更快的訊號傳送速度，從而實現更有效的義肢控制
然而，Imec至今僅開發了硬件原型，尚未對于軟件進行優化。 隨著導線數量持續增加，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測人腦與神經訊號。 截至目前為止，該系統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。
