比利時研究機構Imec認為,相較於使用神經網路,基於電阻和磁記憶體單元陣列的機器學習加速器更有助於降低成本和功耗。例如,在其最初的研究結果顯示,磁阻式隨機存取記憶體(MRAM)陣列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於初期階段。Imec預計要到今年稍晚提出專利申請後,才會發佈更多有關該晶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——晶片製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,研究人員們率先發佈這款晶片,同時也介紹其於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晶片。

在自我學習分類任務方面,採用MRAM單元的Imec陣列具有更高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,使用新興記憶體比基於CMOS的機器學習架構更節能。」

另一款晶片採用基於金屬氧化物電阻式隨機存取記憶體(ReRAM)的單元陣列,Imec研究人員們稱之為‘OxRAM’。 這款65nm的晶片經由取得40首古典長笛樂曲上的資料,學會了預測模式,然後再根據所學習的模式自行創作音樂。

新興記憶體的優點在於能讓資料位元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於感測器節點中,讓物聯網(IoT)應用得以從自我學習中受益。

20170607_Imec_NT31P1 圖1:Imec的自我學習晶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)

該晶片需要許多陣列的層級架構以執行有利的工作。但 Imec尚未透露這款晶片上的陣列大小。

負責這項開發計劃的Praveen Raghavan說:「OxRAM一直用於記憶體儲存,但我們想將它用於兩個物件之間的隨機鏈接。該展示以饋入編碼機制作為輸入,並提供可能的預測,饋入位址並讀取預測作為輸出數據。」

「其優點在於能實現極其密集的自我學習晶片——相形之下,IBM的True North的佔位面積太大了。而且,這款極高密度且極低功耗的晶片是可以大量製造的,」他補充說。

雖然不完全是神經網路,但這種技術在應用方面類似於可預測事件序列的長短期記憶(LSTM)網路。他說:「相較於LSTM加速器需要更多的資料以及一款用於訓練的較大GPU,這款OxRAM晶片的成本比更低。」

OxRAM途徑也適用於像生成對抗網路(GAN)等應用;GAN是一種新興的技術,讓神經網路之間互相對抗,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晶片硬體,可實現較現有裝置更多10倍的觸點數。這款晶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。

這款晶片能夠以數百毫秒(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。

20170607_Imec_NT31P2 圖2:植入式晶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至今僅開發了硬體原型,尚未對於軟體進行最佳化。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,該校現正進行美國國防部先進研究計劃署(DARPA)的一項研究計劃。

最後,Imec並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於攝影機的眼動追蹤技術。不過,它更有助於大幅降低成本與功耗。

編譯:Susan Hong

(參考原文:Imec Tips Novel AI Chips,by Rick Merritt)