Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Impulse 10 Elektronik 18 2020 IMEC und Globalfoundries ÄuSSerst genügsamer analoger KI-Chip Um aufwendige Datentransfers im Rahmen des Internets der Dinge in die Cloud zu vermeiden versucht man künstliche Intelligenz möglichst im IoT-Edge zu implementieren Der analoge KI-Chip AnIA mit einer Rechenleistung von 2 900 TOPS Wrückt dieses Ziel in greifbare Nähe Von Gerhard Stelzer Das flämische Forschungsinstitut Imec in Leuven und der Halbleiterfertigungsdienstleister Globalfoundries GF mit Sitz in Santa Clara Kalifornien haben gemeinsam einen Durchbruch bei KIChips erzielt der tiefe neuronale Netze Deep Neural Networks in IoT-Edge-Geräten realisierbar macht Beide Partner haben dazu einen Hardwaredemonstrator-Chip mit künstlicher Intelligenz vorgestellt Der neue Chip basiert auf der Analog in Memory Computing Architektur AiMC von Imec und nutzt den Halbleiterfertigungsprozess 22FDX von GF Der neue Chip ist optimiert um tiefe neuronale Netze auf In-Memory-Computing-Hardware im analogen Bereich abzubilden Mit einer rekordverdächtig hohen Energieeffizienz von bis zu 2 900 TOPS W Tera-Operationen pro Sekunde Watt ist der KI-Beschleuniger eine wichtige Voraussetzung für Inferenz-Berechnungen in Edge-Geräten die auf eine geringe Leistungsaufnahme angewiesen sind Die Vorteile dieser neuen Technologie in Bezug auf Datenschutz Sicherheit und Latenzzeit werden sich auf KIAnwendungen in einer breiten Palette von Endgeräten auswirken von intelligenten Lautsprechern bis hin zu selbstfahrenden Fahrzeugen Seit den frühen Tagen des digitalen Computerzeitalters ist der Prozessor vom Speicher getrennt Operationen die mit einer großen Datenmenge durchgeführt werden erfordern eine ähnlich große Anzahl von Datenelementen die aus dem Speicher abgerufen werden müssen Diese als Von-Neumann-Engpass bezeichnete Einschränkung kann die tatsächliche Rechenzeit in die Länge ziehen insbesondere in neuronalen Netzen die von großen Vektor-Matrix-Multiplikationen abhängen Diese Berechnungen werden mit der Genauigkeit eines digital arbeitenden Rechners durchgeführt und erfordern eine beträchtliche Menge an Energie Neuronale Netze können jedoch auch vergleichbar genaue Ergebnisse erzielen wenn die Vektor-Matrix-Multiplikationen mit analoger Technik und einer geringeren Präzision berechnet werden Analoge KI-Berechnung mit 2900 TOPS W Während die für KI-Aufgaben typischen großen Vektor-Matrix-Multiplikationen in der digitalen Domäne Bit für Bit berechnet werden funktioniert das in der analogen Domäne nach den Kirchhoffschen Bild 1 Diederik Verkest Programmdirektor für maschinelles Lernen bei Imec Das erfolgreiche Tapeout von AnIA markiert einen wichtigen Schritt in Richtung Validierung von Analog in Memory Computing AiMC Bild Elektronik | G Stelzer | IMEC Bild Globalfoundries | IMEC