<address id="pjffz"><listing id="pjffz"><progress id="pjffz"></progress></listing></address><address id="pjffz"><nobr id="pjffz"><progress id="pjffz"></progress></nobr></address>

    英特爾發布一系列新進展,推進神經擬態計算的應用開發

    2022-09-29 12:22:57 來源:英特爾

    通過去年發布的Loihi 2第二代研究芯片和開源Lava軟件框架,英特爾研究院正在引領神經擬態計算的發展。作為英特爾神經擬態技術商業化目標的一部分,英特爾研究院正在向開發提供工具,以便將開發過程推進到下一階段。例如,8芯片Loihi 2開發板Kapoho Point,就可以通過堆疊滿足大規模工作負載的需求,并可實現與低延遲事件相機(event-based vision sensors)的直接互連。

     

     圖片94.png

    Loihi 2英特爾的第二代神經擬態研究芯片。它支持新型類腦算法和應用程序,提供更快的處理速度與更高的資源密度,同時提高能效。(圖片來源:英特爾公司)

     

    此外,英特爾研究院還更新了開源Lava框架,以支持可編程神經元、整型脈沖神經元、卷積網絡和持續學習。從最新版Lavav0.5)開始,與Loihi 1系統上的相同工作負載相比,這些新功能使Kapoho Point運行深度學習應用的速度提高了12 倍,能耗降低了151。 此外,英特爾還通過英特爾神經擬態研究社區(INRC)啟動了八個英特爾贊助的大學項目。

     

    向社區成員交付下一代神經擬態系統 

     

    基于Loihi 2的開發板Kapoho Point是一個緊湊系統(compact system),非常適合從無人機到衛星和智能汽車的各種小尺寸設備和應用。Kapoho Point可以運行包含多達10億個參數的AI模型,也能解決涵蓋多達800萬個變量的優化問題。與在CPU上運行的先進求解器相比,它把速度提高了10倍以上,能耗降低了1000。此外,還能通過堆疊多個開發板實現Kapoho Point的擴展,解決更大規模的問題。

     

     圖片95.png

    基于Loihi 2的開發板Kapoho Point是一個緊湊系統,非常適合從無人機到衛星和智能汽車的各種小尺寸設備和應用。(圖片來源:英特爾公司)

     

    美國空軍研究實驗室(AFRL)是研究社區中第一個啟用Kapoho Point的成員,正在把它用于內部研究,涉及基于脈沖神經網絡的學習以及需要實時優化的問題。數據處理與開發高級科學家Qing Wu博士表示:由于美國空軍研究實驗室的任務是在空中和太空中進行的,這使得移動平臺的空間、重量和功率預算(power budget)非常有限。對在這種環境中運行AI算法的需求而言,神經擬態計算技術提供了非常出色的計算解決方案。

     

    通過Lava軟件框架,降低神經擬態開發的門檻

     

    對開源、模塊化且可擴展的Lava軟件框架的更新包括面向Loihi 2功能集的一系列改進,例如可編程神經元、分級事件和持續學習。

     

     圖片96.png

    英特爾研究院更新了開源Lava框架,以支持可編程神經元、整型脈沖神經元、卷積網絡和持續學習。(圖片來源:英特爾公司)

     

     

    神經擬態生態系統項目

     

    英特爾神經擬態研究社區(INRC)已經啟動了八個由英特爾支持的大學項目,包括喬治梅森大學、昆士蘭科技大學、格拉茨技術大學、蘇黎世大學 、布朗大學、賓夕法尼亞州立大學、滑鐵盧大學和哥廷根大學。

     

    研究項目包括自適應機器人定位、可用于腦機接口的無線仿生傳感脈沖解碼、神經擬態貝葉斯優化、聽覺特征檢測以及新型類腦架構和算法。

     

    2018年成立以來,英特爾神經擬態研究社區成員數已增加到180多個,包括大學實驗室、政府機構以及埃森哲、聯想、羅技和梅賽德斯-奔馳等全球領先企業。

     

    接下來,英特爾研究院將為開發人員不斷提供新工具,讓他們能更輕松地開發解決現實問題的應用,并繼續支持社區研究。

     

     

    --------------------------------------

    1Loihi 2SDNN結果是基于20229月進行的Lava v0.5基準測試而得出的,當時在Loihi 2上作為一個Sigma-Delta神經網絡執行了9PilotNet DNN推理工作負載,對比了在Loihi 1上使用SNN頻率編碼執行的相同網絡。從具有相同拓撲結構和相同8位參數數量的傳統DNN執行方式中計算出的等價DNN運算數。參看Bojarski、Mariusz等人《面向自動駕駛汽車的端到端學習》。arXiv預印版論文arXiv:1604.07316 (2016)。


    1. EETOP 官方微信

    2. 創芯大講堂 在線教育

    3. 創芯老字號 半導體快訊

    相關文章

    全部評論

    • 最新資訊
    • 最熱資訊
    @2003-2022 EETOP

    京ICP備10050787號   京公網安備:11010502037710

    韩国三级

    <address id="pjffz"><listing id="pjffz"><progress id="pjffz"></progress></listing></address><address id="pjffz"><nobr id="pjffz"><progress id="pjffz"></progress></nobr></address>