Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Impulse 12 Elektronik 18 2020 Diese vielversprechenden Ergebnisse ermutigen uns diese Technologie weiter zu entwickeln mit dem Ziel auf 10 000 TOPS Whinzuarbeiten GlobalFoundries hat bei der Implementierung des neuen AnIA-Chips eng mit Imec zusammengearbeitet und dabei unsere energiesparende und leistungsstarke 22FDX-Plattform verwendet erklärt Hiren Majmudar Vice President of Product Management for Computing and Wired Infrastructure bei GF Dieser Testchip ist ein entscheidender Schritt vorwärts um der Industrie zu demonstrieren wie 22FDX die Leistungsaufnahme energieintensiver KIund MachineLearning-Anwendungen deutlich senken kann Mit Blick in die Zukunft wird GF AiMC als eine Funktion aufnehmen die im Rahmen der 22FDX-Plattform implementiert werden kann Der Halbleiterprozess 22FDX von GF nutzt 22-nm FD-SOI Fully Depleted Siliconon-Insulator um eine herausragende Rechenleistung bei extrem niedriger Leistungsaufnahme zu erzielen Der 22FDX kann mit 0 5 V ULP Ultra Low Power und mit 1 pA Pikoampere pro Micron betrieben werden um einen extrem niedrigen Standby-Leckstrom zu erzielen Der 22FDX-Prozess mit der neuen AiMC-Funktion befindet sich derzeit in der Entwicklung Bild 2 für die 300-mm-Produktionslinie von GF in der Fabrik 1 in Dresden Majmudar erwartet dass es bis spätestens 2022 kommerzielle Produkte auf AiMC-Basis geben wird GS Regeln und es finden automatische Stromsummierungen unter Berücksichtigung der gespeicherten Gewichte statt erläutert Maciej Wiatr Prozessexperte bei GF das Funktionsprinzip Um sich dieser Herausforderung zu stellen haben Imec und seine Industriepartner darunter GF in Imecs Industrial Affiliation Machine Learning Program eine neue Architektur entwickelt die den Von-Neumann-Engpass eliminiert indem analoge Berechnungen in SRAM-Zellen durchgeführt werden Der daraus resultierende Analog Inference Accelerator AnIA der auf der Halbleiterplattform 22FDX von GF aufbaut zeichnet sich durch eine außergewöhnliche Energieeffizienz aus Charakterisierungstests zeigen einen Wirkungsgrad dessen Spitzenwert bei 2 900 Tera-Operationen pro Sekunde pro Watt TOPS Wliegt So lassen sich Mustererkennungsanwendungen in winzigen Sensoren und Low-PowerEdge-Bausteinen implementieren die typischerweise bislang per maschinellem Lernen ML in Rechenzentren stattfinden Diese Aufgaben kann nun lokal ein energieeffizienter Beschleuniger erledigen Allerdings handelt es sich bei dieser analogen Implementierung nicht um ein Spiking Neural Network bei dem künstliche Neuronen Pulse feuern Analog-In-Memory-Beschleuniger für ML bestehen aus einem Speicher-Array für die massiv parallele analoge Implementierung von MAC-Operationen in den einzelnen DNN-Schichten Neben den im Testchip verwendeten SRAM-Zellen könnten auch Resistive RAM ReRAM Magnetische RAM MRAM FlashSpeicherzellen oder DRAM zum Einsatz kommen Das Speicher-Array enthält die Gewichte und implementiert die Vektor-Matix-Multiplikation der jeweiligen NN-Schicht Da die Daten vor und nach der Verarbeitung in digitaler Form vorliegen sind ADund DA-Umsetzer erforderlich Der realisierte Testchip verfügt im Kern über 512 K Rechenzellen 1024 DA-Umsetzer und 512 ADUmsetzer Einschließlich der digitalen Infrastruktur misst der in einem 22-nmFD-SOI-Prozess realisierte Chip insgesamt 4 mm2 Energieeffizienz um den Faktor 10 bis 100 besser Das erfolgreiche Tapeout von AnIA markiert einen wichtigen Schritt in Richtung Validierung von Analog in Memory Computing AiMC erläutert Diederik Verkest Programmdirektor für maschinelles Lernen bei Imec Bild 1 Die Referenzimplementierung zeigt nicht nur dass analoge In-Memory-Berechnungen in der Praxis möglich sind sondern auch dass sie eine zehnbis hundertmal bessere Energieeffizienz erreichen als digitale Beschleuniger In Imecs Programm für maschinelles Lernen stimmen wir bestehende und neu entstehende Speichertypen ab um sie für analoge InMemory-Berechnungen zu optimieren Bild 2 Zusammenfassung der Leistungsdaten des AnIA von Imec realisiert im 22FDX-Prozess von Globalfoundries Bild Globalfoundries | IMEC