Innatera Onthult Eerste Neuromorfe AI-chips voor Ultra-Lage-Vermogen Edge-toepassingen

Innatera, een Nederlandse startup gespecialiseerd in neuromorfe AI-accelerators voor spiking neural networks (SNNs), heeft zijn eerste chips geproduceerd, hun prestaties gebenchmarkt en cruciale architectuurafstappen onthuld.

Het bedrijf kondigde ook aan dat Alberto Sangiovanni-Vincentelli – mede-oprichter van Cadence en Synopsys – zich heeft aangesloten als voorzitter van de raad van bestuur. Sangiovanni-Vincentelli is momenteel hoogleraar aan UC Berkeley en brengt decennia aan industrie-ervaring mee.

Innatera's chip is ontworpen om verschillende SNN's te versnellen voor audio, gezondheid en radar-toepassingen (Afbeelding: Innatera)

In tegenstelling tot conventionele AI-modellen, nabootsen SNN's de prikkende activiteit van de hersenen, gebruikmakend van de precieze timing van elektrische pulsen om patroonherkenning uit te voeren. Vanwege dit unieke computationele paradigma, vereisen SNN's toegewezen hardware die tijdreeksdata efficiënt kan verwerken bij minimaal stroomverbruik.

Terwijl veel concurrenten zoals Prophesee zich richten op beeld- en videostromen, richt Innatera zich op audio (spraakherkenning), gezondheid (vitale-functie monitoring) en radar (privacy-bewakende valdetectie voor ouderen). Deze domeinen staan op continue tijdreeksdata en vereisen strakke energielimieten op de sensor-knoop.

Marco Jacobs (Afbeelding: Innatera)

"Ons array blinkt uit in het verwerken van tijdreeksdata, wat de kern is van audio, gezondheid en radar-toepassingen," zei Marco Jacobs, VP van Marketing en Business Development. "Er zijn weinig oplossingen die deze behoeften effectief adresseren."

Innatera's tests tonen aan dat elk spike-gebeurtenis minder dan een picojoule verbruikt – onder 200 fJ in een TSMC 28 nm-proces – benaderend de energie die biologische neuronen gebruiken. Een typische keyword-spotting taak vereiste minder dan 500 spikes per inferentie, wat resulteert in sub-milliwatt stroomdissipatie, volgens CEO Sumeet Kumar.

Clusters van neuronen die vuuren (groepen stippen) vertegenwoordigen detectie van fonemen in spraak. Naarmate invoerdata meer ruis bevat, zijn dezelfde clusters grotendeels nog steeds aanwezig, hoewel ze moeilijker te spotten zijn (Afbeelding: Innatera)

Verwerkingsarchitectuur

Innatera's processor gebruikt een massaal parallel neuro-synaptisch array met spike-encoders en -decoders, opererend in een analog/mixed-signal domein om continue-tijd dynamiek te behouden.

Innatera's spiking neurale processor bevat een massaal parallel neuro-synaptisch array en spike-encoders en -decoders (Afbeelding: Innatera)

De architectuur benadrukt programmeerbaarheid, wat flexibele neuron-connectiviteit en fijnmazige spike-timing aanpassingen via de SDK mogelijk maakt. Deze flexibiliteit is essentieel voor het reproduceren van de complexe netwerktopologieën van de hersenen in silicium en voor het optimaliseren van prestaties op diverse SNN-workloads.

Neuronen en synapsen zijn geïmplementeerd in analog silicium om ultra-laag vermogen te behouden en continue-tijd staatbehoud toe te staan – taken die duur zouden zijn om te discretiseren in zuivere digitale circuits. "Analoge domeinen behouden staatinformatie van nature, wat de noodzaak elimineert om het in netwerktopologie te encoderen," zei Kumar.

Een rekensegment in Innatera's array, waar de neuronen ontworpen zijn om zorgvuldig gematched te zijn. Programmeerbare synapsen zijn gerangschikt in een multi-level crossbar structuur. (Zwarte streepjes/stippen vertegenwoordigen hier input en output spikes) (Afbeelding: Innatera)

Om fabricatie-variabiliteit te mitigeren, groepeert Innatera neuronen in strak gematchte segmenten, wat deterministisch gedrag over het array garandeert. Software in de SDK compenseert voor residuele mismatches, wat ontwikkelaars in staat stelt zich te richten op applicatielogica in plaats van low-level kalibratie.

Toepassingsspecifieke Focus

Uitgesponnen uit de Technische Universiteit Delft, verhief Innatera €5 miljoen (≈$6 miljoen) in seed-financiering eind 2020. Het bedrijf heeft al met omzetklanten geëngageerd, mature SNN-algoritmes geleverd voordat het overging op hardware.

"We zijn een compute-solutions bedrijf," zei Kumar. "We leveren turnkey-oplossingen die hardware combineren met toepassingsspecifieke SNN-algoritmes."

De eerste chip is gevalideerd voor audio, gezondheid en radar use cases, met een roadmap die verdere optimalisaties per domein kan introduceren. "Onze architectuur ondersteunt een breed bereik van SNN's over toepassingen, maar we zullen de hardware blijven verfijnen voor diepere domeinintegratie," voegde Kumar toe.

Initiële chip-samples worden verwacht te verzenden voor eind 2021.

> Dit artikel is oorspronkelijk gepubliceerd op onze zuster-site, EE Times.

Gerelateerde Inhoud

• AI-chip richt zich op lage-vermogen edge-apparaten
• Toolchain, sensorboard verbeteren AI-chip-ecosysteem
• Nieuwe AI-acceleratiemodules verbeteren edge-prestaties
• AI at the edge: waarop uit te kijken in 2021
• Hoe AI of Things (AIoT) op MCU's te implementeren

Voor meer Embedded, abonneer u op de wekelijkse e-mailnieuwsbrief van Embedded.