Toshiba создала самый энергоэффективный нейроморфный процессор

Компания Toshiba Corporation работает над созданием так называемой нейронной сети во временной области (Time Domain Neural Network, TDNN) для Интернета вещей и отрасли Big Data. Особенностью TDNN является использование нового нейроморфного процессора, который отличается сверхнизкой потребляемой мощностью и при этом покрывает потребности глубинного обучения.Нейронная сеть TDNNНейронные сети и глубинное обучение требуют огромного массива вычислительных операций. Традиционно для этого используются высокопроизводительные процессоры, потребляющие много энергии. Но в отрасли IoT такой подход неприемлем, так как эти устройства не могут обеспечить большой мощности. Для них необходимо разрабатывать микросхемы с высокой энергоэффективностью, которые отличаются высокой производительностью при малых энергетических затратах.Искусственные нейронные сети открывают новые уникальные возможностиВ традиционной фон-неймановской архитектуре большая часть энергии затрачивается на перемещение данных от памяти к процессору. Одним из наиболее эффективных подходов к устранению этого недостатка является размещение огромного массива вычислительных элементов, каждый из которых нацелен на обработку данных, размещённых ближе всего к нему. Эти точки данных получают весовые коэффициенты в процессе преобразования входного сигнала в выходной. Чем ближе точка данных к желаемому выходу, тем выше коэффициент. Схема весовых коэффициентов используется в процессе глубинного обучения.Построение процессоров для нейронных сетей часто сопряжено с увеличением сложности микросхем и их габаритов. Toshiba нашла способ создать такой вычислительный блок, который состоит всего из трёх логических вентилей и 1-битной памяти. Компания создала прототип чипа, который использует ячейку SRAM в качестве памяти и при этом способен распознавать рукописные фигуры. По энергоэффективности новое решение в 6 раз опережает другие устройства.Теперь в планах Toshiba использовать ReRAM-память, что, по её мнению, позволит добиться ещё большей энергоэффективности. Конечной целью является разработка микросхемы, которая позволит добавить технологии глубинного обучения в компактные мобильные устройства.