MCU, MPU, PLD -

Neuromorpher System-on-Chip-Baustein

BrainChip kündigt an, mit dem neuromorphen SoC-Baustein (NSoC) Akida eine gepulste neuronale Netzwerkarchitektur (Spiking Neural Network, SNN) in Serie auf den Markt zu bringen. Der Baustein eignet sich für Edge-Anwendungen wie Fahrerassistenzsysteme, autonome Fahrzeuge, Drohnen, bildgesteuerte Robotik sowie Überwachungs- und Bildverarbeitungseinrichtungen. Da er skalierbar ist, lassen sich viele Akida-Chips miteinander verknüpfen, um komplexe neuronale Netze zu schulen und ein sogenanntes Inferencing durchzuführen. Das Akida-NSoC basiert laut Anbieter auf einem reinen CMOS-Logikprozess, der hohe Erträge und niedrige Kosten garantiert.

Anwendungspotenzial sieht Brainchip in der Agrartechnik, Cyber­sicherheit und Finanztechnologie.

SNNs sind von Natur aus weniger leistungsfähig als herkömmliche faltende neuronale Netze (Convolutional Neural Networks, CNNs), da sie die rechenintensiven Faltungen und Fehlerfortpflanzungs-Trainingsmethoden durch biologisch inspirierte Neuronenfunktionen und Feed-Forward-Training ersetzen. Jeder Akida-Chip weist effektiv 1,2 Millionen Neuronen und 10 Milliarden Synapsen auf, was laut BrainChip eine 100-mal höhere Effizienz mit sich bringt als bei neuromorphen Testchips von Intel und IBM. Demzufolge zeigen Vergleiche mit führenden CNN-Beschleunigern Leistungszuwächse um mehr als eine Größenordnung bei Bild-/Sekunden-/Watt-Benchmarks wie CIFAR-10 mit vergleichbarer Genauigkeit.

Der Akida-NSoC-Baustein wurde für den Einsatz als eigenständiger Embedded-Beschleuniger oder als Co-Prozessor entwickelt. Er enthält Sensorschnittstellen für die herkömmliche pixelbasierte Bildgebung, dynamische Bildsensoren (DVS) sowie Lidar-, Audio- und Analogsignale. Es verfügt auch über Hochgeschwindigkeits-Datenschnittstellen wie PCI-Express, USB und Ethernet. Im NSoC finden sich auch Daten-zu-Puls-Wandler, die gängige Datenformate in Pulse/Spikes konvertieren, die dann von der Akida-Neuronen-Fabric trainiert und verarbeitet werden.

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 eigenständig; in den letzten, vollständig vernetzten Ebenen können Label zum Einsatz kommen. Somit dienen diese Netzwerke als Klassifizierungsnetze. Das NSoC ist so konzipiert, dass es in der Akida-Entwicklungsumgebung ein Off-Chip- oder ein On-Chip-Training ermöglicht. Eine integrierte CPU steuert die Konfiguration der Akida-Neuronen-Fabric sowie die Off-Chip-Kommunikation von Metadaten. Der Akida NSoC soll voraussichtlich im dritten Quartal 2019 als Muster zur Verfügung stehen.

Firmeninformationen
Weitere Beiträge zum Thema MCU, MPU, PLD
Alle Artikel des Ressorts
Weitere Beiträge zum Thema Fahrzeug Alle Artikel des Ressorts
© elektronikinformationen.de 2019 - Alle Rechte vorbehalten