BrainChip Meluncurkan Kit Pengembangan Neuromorfik Akida untuk AI Edge
BrainChip, penyedia IP komputasi neuromorfik terkemuka, memperkenalkan dua kit pengembangan baru yang menyelenggarakan SoC neuromorfik Akidanya pada Konferensi Prosesor Linley Fall terbaru. Kit hadir dalam format Shuttle PC x86 dan desain Raspberry Pi berbasis Arm, yang memberikan pengembang platform yang siap pakai untuk membangun dan menguji aplikasi jaringan saraf spiking (SNN). Silicon Akida juga tersedia untuk integrasi ke dalam desain custom.
Arsitektur neuromorfik Akida menyediakan AI daya ultra-rendah dengan meniru pemrosesan berbasis event otak. Berbeda dengan model deep learning konvensional, SNN mentransmisi informasi melalui spike diskret yang mengenkode pola spasial dan urutan temporal. Domain event ini ideal untuk perangkat edge yang membutuhkan inferensi waktu nyata dan hemat daya dari aliran sensor.
Selain beban kerja SNN asli, unit pemrosesan neural (NPU) BrainChip dapat mengeksekusi jaringan saraf konvolusional (CNN) setelah mengonversinya ke domain event. Konversi, yang dilakukan oleh alur software MetaTF, mempertahankan ekstraksi fitur CNN sambil memungkinkan pembelajaran on-chip melalui plasticity bergantung pada waktu spike—menghilangkan kebutuhan akan pelatihan ulang berbasis cloud.
Papan pengembangan BrainChip tersedia untuk Shuttle PC x86 atau Raspberry Pi. (Sumber: BrainChip)
"Akida siap untuk teknologi neuromorfik besok, tetapi sudah menyelesaikan tantangan AI edge hari ini," kata Anil Mankar, pendiri bersama dan chief development officer BrainChip, kepada EE Times. "Software runtime kami menghilangkan kurva pembelajaran sekitar SNN dan domain event, memungkinkan pengembang yang akrab dengan TensorFlow atau Keras untuk memport model dan mengevaluasi daya serta akurasi secara langsung pada hardware kami."
Mankar menjelaskan bahwa CNN unggul dalam mengekstrak fitur dari dataset besar. Dengan mengonversi lapisan CNN ke operasi berbasis event—kecuali lapisan klasifikasi akhir—Akida mempertahankan kemampuan ini sambil menambahkan pembelajaran bergantung pada waktu spike. SNN asli dapat menggunakan presisi satu-bit, sedangkan CNN yang dikonversi biasanya menggunakan spike 1-, 2- atau 4-bit. Alat kuantisasi BrainChip membantu desainer memilih lebar bit yang sesuai per lapisan. Misalnya, model MobileNet V1 yang dikuantisasi ke 4 bit mencapai akurasi 93,1% pada tugas klasifikasi 10 kelas.
Mengonversi ke domain event juga menghasilkan penghematan daya yang signifikan karena sparsity. Dalam domain event, hanya nilai aktivasi non-nol yang menghasilkan spike, dan NPU hanya memproses event tersebut. Untuk CNN tipis, sekitar setengah aktivasi adalah nol setelah ReLU, sehingga implementasi berbasis event mengurangi jumlah operasi MAC secara dramatis, menurunkan konsumsi daya.
Fungsi seperti konvolusi, konvolusi point-wise, konvolusi depth-wise, max pooling, dan global average pooling semuanya dapat diterjemahkan ke domain event. Diagram berikut ini mengilustrasikan pengurangan operasi MAC untuk tugas klasifikasi objek: biru gelap mewakili CNN dalam domain non-event, biru muda menunjukkan implementasi domain event/Akida, dan hijau menunjukkan regulasi aktivitas lebih lanjut.
Operasi MAC yang diperlukan untuk inferensi klasifikasi objek (biru gelap adalah CNN dalam domain non-event, biru muda adalah domain event/Akida, hijau adalah domain event dengan regulasi aktivitas lebih lanjut). (Sumber: BrainChip)
Dalam benchmark dunia nyata, model pengenalan kata kunci yang berjalan pada papan Akida setelah kuantisasi 4 bit mengonsumsi hanya 37 µJ per inferensi (setara dengan 27.336 inferensi per detik per watt). Model mencapai akurasi 91,3% sambil beroperasi pada frekuensi jam modesti 5 MHz.
Agnostik Sensor
IP NPU dan chip Akida BrainChip agnostik jaringan dan mendukung berbagai sensor. Baik memproses citra, audio, olfaktori, gustatori, atau data taktil, hardware yang sama dapat menangani baik CNN (melalui konversi) maupun SNN asli.
Setiap node NPU mengandung 100 kB SRAM lokal untuk parameter, aktivasi, dan buffer event, dan hingga empat node dapat dikelompokkan ke dalam jaringan mesh. Jaringan yang melintasi beberapa node berkomunikasi secara langsung antara lapisan tanpa intervensi CPU, meski beberapa beban kerja non-CNN masih memerlukan dukungan CPU. IP dapat diskalakan hingga 20 node, memungkinkan model yang lebih besar berjalan dalam beberapa pass pada hardware yang lebih kecil.
Node dari empat NPU BrainChip terhubung oleh jaringan mesh. (Sumber: BrainChip)
Video demo memamerkan Akida dalam kabin kendaraan: satu chip secara bersamaan mendeteksi pengemudi, mengenali wajah pengemudi, dan mengidentifikasi suara mereka. Pengenalan kata kunci memerlukan hanya 600 µW, pengenalan wajah 22 mW, dan inferensi kata wake visual 6-8 mW—memonstrasikan kesesuaian chip untuk AI edge otomotif.
Rob Telson, vice president penjualan dunia BrainChip, mencatat bahwa proses 28-nm TSMC Akida memberikan basis yang kuat, dan pelanggan IP dapat beralih ke node yang lebih halus untuk efisiensi daya yang lebih besar. Ia juga menyoroti pembelajaran on-chip untuk pengenalan wajah: dengan cukup neuron di lapisan akhir, sistem dapat tumbuh dari mengenali 10 wajah hingga lebih dari 50 dengan pembelajaran satu-saat, menghilangkan ketergantungan cloud.
Pelanggan Akses Awal
BrainChip employs 55 staf di kantor pusatnya di Aliso Viejo, CA, dan kantor desain di Toulouse, Prancis; Hyderabad, India; dan Perth, Australia. Perusahaan memiliki 14 paten, terdaftar di bursa saham Australia, dan terdaftar di pasar OTC AS.
Pelanggan akses awal termasuk NASA, otomotif, militer, penerbangan luar angkasa, medis (misalnya, deteksi COVID-19 olfaktori), dan perusahaan elektronik konsumen. Renesas telah melisensikan IP NPU 2-node Akida untuk integrasi ke dalam unit mikrokontroler masa depan yang bertujuan untuk analisis data sensor dalam deployment IoT.
IP dan silicon Akida tersedia sekarang.
>> Artikel ini awalnya diterbitkan di situs saudara kami, EE Times.
Konten Terkait:
Startup packs 1000 RISC‑V cores into AI accelerator chip
AI chip targets low‑power edge devices
AI‑enabled SoCs handle multiple video streams
Building security into an AI SoC using CPU features with extensions
Microcontroller architectures evolve for AI
Untuk lebih banyak Embedded, berlangganan newsletter email mingguan Embedded.
