经典案例

5G衍生的价值足以令无人驾驶、人工智能、....

  功能逐渐向边缘端发展,它们将推动更多的AI应用,而且这些应用将越来越需要更强大的分析能力和智能,以便让系统在本地即可做出操作决策,无论是部分还是完全自主的,就像在

  机器学习有两个基本阶段:训练和推理。人工神经网络,旨在模仿大脑的工作方式,首先要面对大量的已知数据(例如狗和猫的图片),这样才能学会识别每个物体的样子以及它们的不同之处。然后,经过训练的神经网络或模型就可以利用所学到的知识,对呈现在面前的新数据进行推理以推断出新的事物,比如,确定一个图像是狗还是猫。

  目前大多数训练都是在数据中心进行的,但也有少数是在边缘端进行。像谷歌、Facebook、亚马逊、苹果和微软这样的大公司都拥有海量的用户数据,因此可以为他们的服务器农场提供足够多的数据,进行工业规模的AI训练,以便改进其算法。训练阶段需要非常快的处理器,例如GPU或Google TPU(张量处理器)。

  边缘设备收集到数据(例如建筑物图片或面部照片)后,将其传送到推理引擎进行分类时,就会发生推理。基于云端的AI因为其固有的延迟缺点,对许多应用来说是不可接受的。例如,自动驾驶汽车需要对其看到的对象做出实时决策,对基于云端的AI架构来说,这是不可能实现的。

  随着AI功能逐渐向边缘端发展,它们将推动更多的AI应用,而且这些应用将越来越需要更强大的分析能力和智能,以便让系统在本地即可做出操作决策,无论是部分还是完全自主的,就像在自动驾驶汽车中一样。

  传统的CPU不是很擅长这类任务,而且高端GPU耗能很大且价格昂贵。边缘端推理就要求更便宜、功率更低的芯片,可快速通过神经网络来识别一个动物,识别一张脸,锁定一个肿瘤,或将德语翻译成英语。

  如今,有超过30家公司正在研发专用的AI硬件,以用于智能手机、平板电脑和其他边缘设备中,来提高完成这些专业计算任务的效率。

  据市场分析预测,从2017到2021年,全球AI芯片市场将以高达54%的年复合增长率而增长。这一增长的关键驱动因素就在于能够满足机器学习要求的强大硬件性能。

  所有AI处理器都依赖于数据集,即代表“学过的”对象类别(比如图像和声音等)的模型,来识别对象。每个对象的识别和分类都需要多次访问内存。当今工程师面临的最大挑战是如何克服现有架构中的内存访问速度和功耗瓶颈,以获得更快的数据访问,同时降低数据存取的能源成本。

  通过尽可能靠近AI处理器内核来存放训练数据,可以获得最快的速度和最大能效。但是,目前的设计所采用的存储架构都是几年前还没有其他实用解决方案时创建的,仍然是快速但小容量的嵌入式SRAM与大容量但较慢的外部DRAM的传统组合。当训练模型以这种方式存储时,嵌入式SRAM、外部DRAM和神经网络之间频繁和大规模的数据交换会增加能耗及传输延迟。此外,SRAM和DRAM都是易失性存储器,限制了在待机状态实现节能的能力。

  利用高密度、高速和低功耗的非易失性存储器将整个训练模型直接存储在AI处理器裸片上,这样就可以实现更高的能效和速度。通过启用以存储器为中心的新架构,整个训练模型或知识库就可以放在芯片上,直接连接到神经网络,这样就有潜力实现大规模节能和性能大幅提升,从而大大延长电池寿命并提供更好的用户体验。今天,已经有几种新一代存储器技术正在竞相实现这一目标。

  针对AI应用的理想非易失性嵌入式存储器应该具备如下特点:容易制造,易于集成到熟知的CMOS工艺的后端,可轻松扩展到高级节点,可以大批量供应,并且能够满足这些应用对能耗和速度的要求。

  电阻式RAM(ReRAM)比磁性RAM(MRAM)或相变存储器(PCM)方案具有更强的可扩展性能,这在考虑14、12甚至7nm晶圆工艺时是一个重要的因素。其他技术都要求比ReRAM更复杂和昂贵的制造工艺,而且还更耗能。

  例如,Crossbar公司的ReRAM纳米丝技术可以在不影响性能的情况下缩小到10nm以下。ReRAM基于简单的器件结构,采用适合CMOS工艺的材料和标准制造流程,可在现有CMOS晶圆厂生产。由于它是一种低温、后端工艺集成,因此可以在CMOS逻辑晶圆上集成多层ReRAM阵列,以构建3D ReRAM存储空间。

  AI需要最佳的每瓦性能,尤其对于小功率的边缘设备。ReRAM的能效可达到DRAM的五倍——每纳焦高达1,000位读取——同时表现出比DRAM更好的整体读取性能,高达12.8GB/s,而随机延迟小于20ns。

  科学家们一直在探索各种新颖的大脑启发思维范式,试图通过模仿中枢神经系统的神经元和突触交互的方式来实现更高的能效。基于ReRAM技术的人工神经突触是一种非常有前途的方法,可用于在神经形态结构中实现这些高密度和可缩放的突触阵列。通过在边缘端启用AI,ReRAM有可能在当前和全新的AI探索中发挥重要作用。

  文章出处:【微信号:worldofai,秒速时时彩官网:微信公众号:人工智能】欢迎添加关注!文章转载请注明出处。

  5G商用,频谱先行。随着频谱资源利益博弈进入最后阶段,落地的时间也日益明朗化。 从中国的情况来看,....

  人工智能的发展必须建立在海量的大数据、以几何级数增长的计算能力和机器学习算法的突破的基础上,甚至可以....

  为了不被竞争对手抛在后面,企业现在需要将物联网融入供应链流程中。

  毫无疑问,5G已然是当前炙手可热的话题,在人们看得到的未来,5G衍生的价值足以令无人驾驶、人工智能、....

  SN74ABT16240A 具有三态输出的 16 位缓冲器/驱动器

  ABT16240A器件是16位缓冲器和线路驱动器,专门用于改善三态存储器地址驱动器,时钟驱动器的性能和密度,和面向总线的接收器和发射器。 这些器件可用作4个4位缓冲区,2个8位缓冲区或1个16位缓冲区。这些器件提供反相输出和对称低电平有效输出使能(OE \)输入。 为了确保上电或断电期间的高阻态,OE \应通过上拉电阻连接到VCC;电阻的最小值由驱动器的电流吸收能力决定。 SN54ABT16240A的特点是可在-55C至125C的整个军用温度范围内工作。 SN74ABT16240A的工作温度范围为-40C至85C。 特性 Widebus和EPIC-IIB是德州仪器公司的商标。 德州仪器WidebusTM家庭成员 最先进的EPIC -IIBTMBiCMOS设计显着降低功耗 典型VOLP(输出接地反弹)< 1 V,VCC= 5 V,TA= 25C 分布式VCC和GND引脚配置最大限度地降低高速开关噪声 流通式架构优化PCB布局 高驱动输出(-32-mA IOH,64-mA IOL) ...

  TMP107-Q1 具有菊花链 UART、EEPROM 和报警功能的汽车级 ±0.4°C 温度传感器

  TMP107-Q1数字输出温度传感器支持以菊花链方式总计连接32台设备。每个传感器具有唯一的5位地址,存储于电可擦除可编程只读存储器(EEPROM)中.TMP107-Q1能够以0.015625C的分辨率读取温度,在-20C至+ 70C温度范围内的精度达0.4C。在具有高精度要求的应用中,TMP107-Q1是负温度系数(NTC)和正温度系数(PTC)热敏电阻的理想替代产品。 存储于EEPROM中的5位唯一地址在自动地址分配操作期间确定,并且基于每个传感器相对于SMAART线主机的位置。该器件有多种工作模式可供选择,最大程度提高了自身灵活性,不仅可针对电池操作降低功耗,还能够为实时控制应用提供高更新率。 TMP107-Q1是各类工业,仪器仪表,通信和环境应用中扩展温度测量的理想选择.TMP107-Q1采用8引脚小外形尺寸集成电路( SOIC)封装,额定工作温度范围为-55C至+ 125C。 特性 具有符合AEC-Q100标准的下列结果: 温度1级:-40C至+ 125C的环境工作温度范围 器件人体放电模式...

  这些带存储的单片四路双输入多路复用器提供两个独立MSI功能的等效功能(SN54157 /SN74157或SN54LS157 /SN74LS157和SN54175 /SN74175)或单个16引脚封装的SN54LS175 /SN74LS175)。 当字选输入为低电平时,字1(A1,B1,C1,D1)适用于触发器。字输入的高输入将导致选择字2(A2,B2,C2,D2)。所选字在时钟脉冲的下降沿输出到输出端。 对于LS298,298和65毫瓦的典型功耗为195毫瓦。 SN54298和SN54LS298的特点是在-55°C至125°C的整个军用温度范围内工作; SN74298和SN74LS298的特点是工作温度范围为0°C至70°C。 特性 选择两个4位数据源中的一个并与系统时钟同步存储数据 应用程序:

  算术处理器中操作数和常量的双源;可以释放处理器寄存器文件以获取新数据 实现能够并行交换内容但保留外部负载能力的单独寄存器 用于实现各种移位模式的通用类型寄存器;甚至具有复合左右能力 参数 与其它产品相比 解码器/编码器/多路复用器   Technology Family VCC (Min) (V) VCC (Max) (V) Channels (#) Voltage (Nom) (V) F @ Nom Voltage (Max) (M...