Anzeige
Anzeige
Anzeige

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 100x 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.)

Bild 1 | Jeder Akida NSoC weist 1,2Mio. Neuronen und 10Mrd. Synapsen auf, was eine 100x 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 100x 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.

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.

 Gepulste neuronale Netze (SNN) gelten als die dritte Generation neuronaler Netze. (Bild: BrainChip Holdings Ltd.)

Bild 2 | Gepulste neuronale Netze (SNN) gelten als die dritte Generation neuronaler Netze.  (Bild: BrainChip Holdings Ltd.)

Anzeige

Empfehlungen der Redaktion

Das könnte Sie auch interessieren

Mit Ansprechzeiten von 0,5ms lässt sich mit dem Weißlicht-Farbsensor FSB10 die Anwesenheit von farbigen Objekten und deren Qualität kontrollieren.‣ weiterlesen

www.di-soric.com

Anzeige

The ultrahigh-speed camera Phantom v1840 provides a very high image quality at 18Gpix/sec. It has the lowest noise floor of any Phantom camera and a high 64dB dynamic range.‣ weiterlesen

www.visionresearchinc.net

Anzeige

NaturalIQ is an AI approach that allows customers to automate subjective camera tuning by learning image quality (IQ) preferences from their own natural image datasets.‣ weiterlesen

www.algolux.com

Anzeige

Der Farbsensor CFO200 hebt die True Color Farberkennungssensoren der Reihe CFO auf eine neue Leistungsstufe. Bei einer Messfrequenz von 20kHz lassen sich 320 Farben in 254 Farbgruppen mit höchster Farbgenauigkeit detektieren.‣ weiterlesen

www.micro-epsilon.de

Anzeige

Nach der Weiterentwicklung des LineFinder IP-Cores, der in der MV1 Kameraserie verwendet wird, hat Photonfocus den IP-Core in vier MV0 Kameramodellen implementiert. ‣ weiterlesen

www.photonfocus.com

Die webbasierte Konfigurationsoberfläche und Ergebnisanzeige machen die Einrichtung der intelligenten Infrarotkameras der IRSX-Serie für thermische Überwachungsaufgaben einfach.‣ weiterlesen

www.automationtechnology.de

Anzeige

Der Vision Controller BT-9002-P6 ist dank Power-over-Ethernet-Anschlüssen auch für IP-Kameras geeignet. Die verbauten Prozessoren garantieren hohe Leistungen bei minimalem Stromverbrauch.‣ weiterlesen

www.bressner.de

Anzeige

In Kameras erfolgt die Abbildung von Objekten der realen Welt auf Bildsensoren nicht in idealer Weise. Die beteiligten mechanischen und optischen Baugruppen fügen beim Prozess der Abbildung vielfältige Abweichungen ein (Abbildungsfehler, Perspektive, schiefe/nicht mittige Lage des Bildsensors usw.), so dass Bilder verzerrt aufgenommen werden. Oft sind die Fehler nur klein und können nicht vom menschlichen Auge erfasst werden.‣ weiterlesen

www.evotron-gmbh.de

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige