AET原創

瑞薩電子e-AI方案再添利器 三大技術助力高速CNN處理

2019/6/23 17:01:00

  據外媒報道,瑞薩電子推出了全新AI加速器,可高速且低功耗地執行CNN(卷積神經網絡)處理,向下一代瑞薩嵌入式人工智能(e-AI)邁進,加速端點設備智能化。采用該加速器的測試芯片效率達到業界最高水平8.8 TOPS/W。瑞薩加速器基于計算存儲一體化(PIM)架構,即當讀取存儲器數據時,在存儲器電路中執行乘法和累加運算。

1.png

瑞薩開發人工智能加速器測試芯片

  為構建全新AI加速器,瑞薩推出了以下三種技術。一是可執行大規模CNN計算的三進制(-1,0,1)SRAM結構PIM技術。二是與比較器配合使用的SRAM電路,可在低功耗下讀取存儲器數據。三是能夠防止在制造過程中因工藝變化而導致的計算錯誤。將以上技術結合,既能縮短深度學習處理中的存儲器訪問時間,又可降低乘法和累加運算所需的功率。因此,當通過手寫字符識別測試(MNIST)進行評估時,新加速器在保持99%以上準確率的同時,達到了業界最高能效等級。

  由于二進制(0,1)SRAM結構只能處理值為0或1的數據,PIM架構無法通過單比特計算獲得足夠的大規模CNN運算精度水平。此外,制造過程中的工藝變化導致這些運算的可靠性降低。針對這些問題,瑞薩現已開發出攻克這些問題的三大技術,并將其作為實現未來革命性AI芯片的前沿技術應用于下一代e-AI解決方案,例如對性能和功率效率有較高要求的可穿戴設備及機器人等。

  技術一:可根據所需精度調整計算位數的三進制(-1,0,1)SRAM結構PIM技術

  三進制(-1,0,1)SRAM結構PIM技術采用三元存儲器與簡單數字計算塊相組合,保證硬件數量增加的同時將計算誤差降至最低。同時,允許根據所需精度進行位數切換(如1.5位(三進制)和4位計算之間)??舍槍Σ煌脩粜枨笾С植煌木燃斑\算規模,用戶可優化精度與功耗間的平衡。

  技術二:結合比較器和復制單元的高精度/低功耗存儲器數據讀取電路

  當采用PIM架構時,通過檢測SRAM結構中的位線電流值以讀取存儲器數據。盡管使用A/D轉換器進行高精度位線電流檢測是有效的,但這種方法功耗高且芯片面積較大。因此,瑞薩將比較器(1位感測放大器)與復制單元相結合,方便靈活控制電流,從而開發出高精度的存儲器數據讀取電路。此外,由于神經網絡操作所激活節點(神經元)數量非常少(約1%),通過關閉未激活節點(神經元)讀取電路以實現更低的運行功率。

  技術三:消除制造過程中因工藝變化導致計算誤差的規避技術

  由于制造過程中的工藝變化,導致SRAM結構中位線電流值產生誤差,從而造成存儲器讀取數據時出現錯誤。為解決這個問題,瑞薩在芯片內部覆蓋了多個SRAM計算電路模塊,由制造工藝變化最小的模塊執行計算任務。由于激活節點只是所有節點中的一小部分,因此激活節點被有選擇地分配給制造過程變化最小的SRAM計算電路模塊執行計算。從而將計算誤差降至幾乎可忽略的水平。

  瑞薩電子的e-AI方案

  自2015年引入嵌入式AI(e-AI)概念以來,瑞薩一直致力于多個e-AI解決方案的研發。自2015年引入嵌入式AI(e-AI)概念以來,瑞薩一直致力于多個e-AI解決方案的研發。憑借靈活可擴展的嵌入式人工智能(e-AI)概念,瑞薩電子面向未來提供業界獨一無二的實時低功耗人工智能處理解決方案,以滿足端點嵌入式設備人工智能應用的特定需求。

1.png

  瑞薩根據e-AI的有效性和已實施的應用程序定義了“類”,并根據以下四類開發出e-AI解決方案:

  • 第1類:判斷信號波形數據的正確性或異常。

  • 第2類(100GOPS/W級):通過實時圖像處理判斷正確性或異常。

  • 第3類(1TOPS/W級):實時識別。

  • 第4類(10TOPS/W級):在端點啟用增量學習。

    3.png

  瑞薩于2017年推出e-AI開發環境,并于2018年發布RZ/A2M微處理器,該微處理器集成瑞薩獨有DRP技術,為第2類應用提供解決方案。同時,為實現第3類應用,瑞薩進一步提高了DRP技術的計算性能。

  現在,瑞薩正立足此項開發并推出新型尖端技術。全新加速器技術結合低功耗特性和改進的計算性能,可能成為實現第4類應用的關鍵技術之一。瑞薩致力于通過在物聯網邊緣及端點采用AI技術來增強智能,為實現智能社會做出貢獻。


瑞薩 AI CNN e-AI
湖南快乐十分