《ARM对塑料芯片的下一个赌注:神经网络》

  • 来源专题:宽带移动通信
  • 编译者: wangxiaoli
  • 发布时间:2018-07-31
  • PragmatIC宣布其刚刚在英国Sedgefield的工厂委托投产了第一台FlexLogIC的“晶圆”设备,承诺进行超低成本、薄且灵活的集成电路(FlexIC)的高吞吐量制造。eeNews欧洲公司与PragmatIC的首席执行官Scott White合作,以获取有关ARM塑料产品开发的最新消息。

    早在2015年,ARM的首席技术官Mike Muller就已经用一款设计在3μm的塑料节点上的完全灵活的ARM1 SOC,赢得了ARM TechCon的与会者的惊叹与佩服,该ARM1 SOC的体积约为25K晶体管。

    谈到自那时以来所取得的进展,White指出,经过占用面积约为8平方厘米的低端Cortex-M SOC迭代,PragmatIC最新的SOC布局进一步缩小到1平方厘米,该公司现在正转向一个采用新设计规则的塑料工艺节点,首席执行官对此信心十足,相信新的设计规则将进一步减少设备的占用面积。

    关于Muller在ARM TechCon上发布的过程节点路线图,White表示PragmatIC符合暂定的塑料路线图,每年将设备的占用面积大致减半,比等效的摩尔硅定律要快一些。

    但首席执行官并不认为摩尔定律的类比会持续很长时间。“我们将达到一个稳定的平台,在那里我们的技术将适合实现低端的MCU及以下。驱动Cortex-M项目更像是一个研发上的挑战,看看我们能把这项技术推进到什么程度,但现在几乎没有实际的封装应用需要一个完整的32位SoC,并且它在经济上是有意义的”。

    White补充道:“我们的目标电路类型是在几千门的范围内,将大量智能添加到高容量的快速消费品中。那么在未来几年内,1万门可能会成为我们的最佳选择,在这些应用中,灵活性是一项关键的产品效益”。

    但是,MCU和传统SoC不一定能像在硅行业中表现的那样,也成为塑料电子产品的主力军。ARM是PragmatIC的投资方,同时也是去年10月与消费品巨头联合利华以及曼彻斯特大学合作开展的PlasticARMPit项目的首席合作开发伙伴。在创新英国资助的项目说明中,合作伙伴致力于为灵活传感器设计高能效的处理引擎,针对特定的传感器数据,而普通的灵活MCU不太可能满足必要的计算需求。

    在数字处理引擎方面,合作伙伴建议开发专为特定应用而定制的塑料神经网络(NNs),并能够以极其并行的方式在低功耗下实现高性能。通过这个项目,ARM和PragmatIC都希望建立数字硬件神经网络,来作为印刷电子事实上的处理引擎。

    “神经网络对现实世界中的传感应用尤其感兴趣,它结合了不同的传感器输入,它们擅长于对数据进行分类,这样就可以根据你正在寻找的结果类别进行解释”White对PlasticARMPit项目评论道。“更重要的是,灵活的集成电路的物理结构可以很好地转化为神经网络。在有大量冗余的神经网络中,塑料电子器件的比较工作性能和产量都不是什么大问题”White补充道,在塑料箔上印上电子器件可以建模大量的神经元。“通过一层一层地构建电路,我们可以在物理上构建一个模仿神经网络架构的东西。当然,这不是用于高端机器学习的,但是对于智能封装和传感应用,你可以从薄而灵活的电路中获得一种分类形式”。

    在PlasticARMPit项目中,联合利华是与这一商业案例相关的人。该公司的想法是将一个灵活的、多分析的电子鼻传感器与一个塑料神经网络结合到一个可穿戴的贴片上,以检测腋下恶臭的成分,并确定该公司的止汗剂和除臭剂的效果如何。在这个将一直持续到2020年3月的特别研究项目中,PragmatIC将整合曼彻斯特大学开发的有机TFT生物传感器,但在这个项目之外,它可以从不同的合作伙伴那里获取传感器。

    “我们的重点是解释模拟输入并将其转换为有用的数据,对计算后端感兴趣的传感公司可以来找我们。”首席执行官Scott White说。

    在对所谓的个人护理进行初步的市场推广之后,White希望这种塑料神经网络能够打入保健行业,因为这项衬里技术适用于许多生物医学应用。White还预计,通过神经网络,你可以获得一系列不同的分析和融合的传感器数据,这些数据不一定会给出预先确定的1/1匹配答案,而是更复杂的诊断。

    关于IP和设计方法,PragmatIC表示FlexIC可以采用传统的EDA流设计。目前,该公司正在进行全面的定制设计,并与选定的亲密合作伙伴(如ARM)共享其过程开发工具包。但在未来,PragmatIC希望塑料芯片的设计能够遵循硅的道路,采用标准的IP库和基于PDK的第三方设计。

    自成一体的全自动FlexLogIC系统采用的是模块化构建结构,它要求资本投资比一个新的硅IC芯片工厂小几个数量级,但也为分布式、高度可扩展的制造模型开辟了潜力,该制造模型可将电子器件嵌入日常用品中。与硅IC超过一个月的生产周期相比,其生产周期不到一天,因此,在大规模部署之前,可以在非常短的时间之内开发和测试灵活的电子解决方案。

    PragmatIC现在专注于提高产量,以满足一些全球最大消费品牌的应用需求。这其中就包括合作伙伴和投资方Avery Dennison,全球领先的RFID标签制造商,它们将致力于为特定消费者应用提供完全印刷的RFID标签。

相关报告
  • 《前沿 | 光芯片-深度神经网络》

    • 来源专题:光电情报网信息监测服务平台
    • 编译者:胡思思
    • 发布时间:2024-12-09
    • 随着深度神经网络彻底改变了机器学习,能耗和吞吐量(throughput指单位时间内完成的指令数)正在成为互补金属氧化物半导体complementary metal–oxide–semiconductor (CMOS) 电子产品的基本限制。这激发了人工智能优化新硬件架构的研究,例如电子脉动阵列、忆阻器交叉阵列和光学加速器。光学系统以极高速率和效率,执行线性矩阵运算,激发了低延迟矩阵加速器和光电图像分类器的最新实验演示。然而,证明深度神经网络的相干、超低延迟光学处理,仍然是主要挑战之一。 近日,美国 麻省理工学院(Massachusetts Institute of Technology,MIT)Saumil Bandyopadhyay,Dirk Englund等,在Nature Photonics上发文,在可扩展光子集成电路中,实现了这样的光学系统,将用于矩阵代数和非线性激活函数的多个相干光学处理器单元,单片集成到单个芯片中。 实验表明,这种完全集成的相干光学神经网络架构,适用于具有六个神经元和三层的深度神经网络,可光学计算线性和非线性函数,延迟为410ps,从而开启了超快、直接处理光学信号的新应用。在这种系统上,实现了无反向传播的原位训练,在六类元音分类任务上,达到了92.5%准确率,这相当于在数字计算机上获得的准确率。 这项工作,为原位训练的理论建议,提供了实验证据,使训练数据的吞吐量提高了几个数量级。完全集成的相干光学神经网络,实现了以纳秒延迟和每操作毫微微焦耳能量效率进行推理。 图1: 完全集成相干光学神经网络fully integrated coherent optical neural network ,FICONN架构 图2: 光子集成电路photonic integrated circuit,PIC 图3: 非线性激活函数单元nonlinear optical function unit,NOFU 图4: 无反向传播的原位训练
  • 《工程师们把成千上万的人工大脑突触放在一个芯片上》

    • 来源专题:生物安全网络监测与评估
    • 编译者:yanyf@mail.las.ac.cn
    • 发布时间:2020-06-16
    • 麻省理工学院的工程师们设计了一种“大脑芯片”,比一块五彩纸屑还要小,它是由成千上万个被称为忆阻器的人工大脑突触组成的。忆阻器是一种硅基组件,模仿人类大脑中信息传递的突触。 研究人员借鉴了冶金原理,用银、铜和硅的合金制造了每个忆阻器。当他们让芯片完成几个视觉任务时,芯片能够“记住”存储的图像并多次复制它们,与现有的纯元素忆阻器设计相比,这些版本更清晰、更干净。 他们的研究结果发表在今天的《自然纳米技术》杂志上,展示了一种很有前途的新型神经形态器件忆阻器设计——这种电子器件基于一种新型电路,以模仿大脑神经结构的方式处理信息。这种受大脑启发的电路可以被植入小型便携式设备中,执行只有今天的超级计算机才能处理的复杂计算任务。 到目前为止,人工突触网络是以软件的形式存在的。我们正试图为便携式人工智能系统构建真正的神经网络硬件,”麻省理工学院机械工程副教授Jeehwan Kim表示。“想象一下,将一个神经形态装置连接到你车上的摄像头,让它识别灯光和物体并立即做出决定,而无需连接到互联网。我们希望使用节能的忆阻器来现场实时地完成这些任务。” 流浪的离子 忆阻器,或记忆晶体管,是神经形态计算的基本元素。在神经形态器件中,忆阻器将充当电路中的晶体管,尽管它的工作方式更类似于大脑突触——两个神经元的连接点。突触从一个神经元接收到离子形式的信号,然后向下一个神经元发送相应的信号。 传统电路中的晶体管通过在0和1这两个值中的一个之间切换来传输信息,并且只有当它接收到的电流信号具有一定强度时才这样做。相比之下,记忆电阻器会沿梯度工作,就像大脑中的突触一样。它产生的信号会根据它接收到的信号的强度而变化。这将使单个忆阻器具有多个值,因此比二元晶体管执行范围更广的操作。 和大脑突触一样,忆电阻器也能够“记住”与给定电流强度相关的值,并在下一次接收到类似电流时产生完全相同的信号。这可以确保一个复杂方程的答案或物体的视觉分类是可靠的——这一壮举通常涉及多个晶体管和电容器。 最终,科学家们设想记忆电阻器将比传统晶体管需要更小的芯片面积,使功能强大的便携式计算设备不依赖超级计算机,甚至不连接互联网。 然而,现有的忆阻器设计在性能上是有限的。一个单忆阻器是由一个正电极和一个负电极组成,由一个“开关介质”或电极之间的空间隔开。当一个电极被施加电压时,离子从该电极流过介质,形成一个“传导通道”到另一个电极。接收到的离子构成了记忆电阻器通过电路传输的电信号。离子通道的大小(以及忆阻器最终产生的信号)应与刺激电压的强度成正比。 Kim说,现有的记忆阻电阻器设计在电压刺激一个大的传导通道或者从一个电极到另一个电极的大量离子流动的情况下工作得很好。但是当忆阻器需要通过更薄的传导通道产生更微妙的信号时,这些设计就不那么可靠了。 传导通道越薄,从一个电极到另一个电极的离子流动越轻,单个离子就越难保持在一起。相反,他们倾向于离开群体,在媒介中解散。因此,在一定的小范围电流刺激下,接收电极很难可靠地捕获相同数量的离子,从而传输相同的信号。 借用冶金 金和他的同事们通过借鉴冶金学的一项技术找到了绕过这一限制的方法。冶金学是将金属熔合成合金并研究其综合性能的科学。 金说:“传统上,冶金学家试图在大块基质中加入不同的原子来强化材料,我们想,为什么不调整忆阻器中的原子相互作用,加入一些合金元素来控制介质中离子的运动。” 工程师通常使用银作为忆阻器正极的材料。金的研究小组查阅了文献,寻找一种可以与银结合的元素,有效地将银离子结合在一起,同时使银离子快速流经另一个电极。 研究小组认为铜是理想的合金元素,因为它能与银和硅结合。 金说:“它起到了桥梁的作用,稳定了银硅界面。” 为了用他们的新合金制造忆阻器,研究小组首先用硅制造了一个负极,然后通过沉积少量铜制造了一个正极,接着是一层银。他们把两个电极夹在非晶硅介质周围。就这样,他们用成千上万的忆阻器制成了一毫米见方的硅芯片。 作为芯片的第一次测试,他们重现了美国队长盾的灰色图像。他们将图像中的每个像素等同于芯片中相应的忆阻器。然后,他们调整了每个记忆电阻的电导,这些电导的强度与相应像素的颜色有关。 与其他材料制成的芯片相比,该芯片能产生同样清晰的盾牌图像,并能“记住”图像并多次复制。 研究小组还对芯片进行了图像处理,对记忆电阻编程以改变图像,在这个MIT的Killian Court案例中,采用了几种特定的方式,包括锐化和模糊原始图像。同样,他们的设计比现有的忆阻器设计更可靠地产生了重新编程的图像。 “我们使用人工突触来做真正的推理测试,”Kim说。“我们希望进一步发展这项技术,使其拥有更大规模的阵列来完成图像识别任务。有一天,你可能可以携带人工大脑来完成这些任务,而不需要连接到超级计算机、互联网或云。” 这项研究的部分资金来自麻省理工学院研究支持委员会基金、麻省理工学院- ibm沃森人工智能实验室、三星全球研究实验室和美国国家科学基金会。