SamurAI: Lage‑energie AI-chip stelt nieuwe benchmark voor beeldherkenning in IoT

Op het 2020 VLSI Symposium onthulden Franse onderzoeksinstituten CEA‑Leti en LIST SamurAI, een compacte AI-accelerator die energie-efficiëntie voor beeldherkenning-workloads in het Internet of Things herdefinieert.

SamurAI integreert een lage‑energie IoT-knooppunt en een toegeweide AI-accelerator, wat een verbazingwekkende 15.000× reductie in piek‑tot‑idle-energieverbruik bereikt terwijl het tot 1,3 tera‑operaties per seconde per watt (TOPS/W) of 36 GOPS voor machine‑learning-taken levert.

In een real‑world occupancy-detectie-prototype aandreefde de chip een systeem dat een PIR-sensor, een 224×224-pixel zwart‑wit-camera, FeRAM en een lage‑energie-radio omvatte. Het systeem had een gemiddelde van 105 µW per dag, waar SamurAI 26% van dat budget consumeerde.

SamurAI Systeemoverzicht

SamurAI is opgebouwd rond twee on‑chip-subsystemen:

• Een klokloze, event‑gedreven wake‑up-controller die het systeem in 207 ns kan lanceren.
• Een on‑demand-subsysteem dat een RISC‑V CPU met deep‑sleep-modus, de PNeuro AI-accelerator en cryptografie-accelerators bevat.

Deze dual‑subsysteem-architectuur levert een piek‑tot‑idle-vermogensratio van 15.000×. In idle-modus verbruikt de chip slechts 6,4 µW; wanneer de CPU en AI-accelerator actief zijn, stijgt het vermogen tot 96 mW.

Geproduceerd in STMicro's 28 nm fully‑depleted silicon‑on‑insulator (FD‑SOI)-proces, bevat de 4,5 mm² die zes schakelbare energiedomeinen en werkt zonder body-biasing.

PNeuro AI-accelerator

De accelerator, genaamd PNeuro, is een single‑instruction, multiple‑data (SIMD) programmeerbare engine. Het omvat twee clusters van 32 × 8‑bit verwerkingselementen ondersteund door 264 kB multi‑banked SRAM. Het blok kan 64 MACs per cyclus uitvoeren.

Belangrijke prestatiecijfers:

• 1,3 TOPS/W bij 2,8 GOPS op een 0,48 V voeding.
• 36 GOPS voor 8‑bit fully‑connected neurale-netwerk-lagen op een 0,9 V voeding.

Het implementeren van PNeuro halveert het systeem's totale energieverbruik ten opzichte van het uitvoeren van machine‑learning-workloads op de RISC‑V-kern.

Ontworpen voor IoT-scenario's die sporadische rekenbursts tussen lange slaapperiodes vereisen, maakt SamurAI on‑device AI-verwerking mogelijk. Deze benadering elimineert cloud-afhankelijkheid, verlaagt latentie en behoudt privacy, wat het ideaal maakt voor toepassingen zoals persoonsdetectie of scène-identificatie met camera's of andere sensoren.

>> Dit artikel was oorspronkelijk gepubliceerd op onze zus‑site, EE Times Europe.