Micro-elektronica vooruitgestuurd om te voldoen aan AI's evolutieve eisen

Kunstmatige intelligentie definieert technologie opnieuw in alle industrieën, met als eis micro-elektronische oplossingen die ongekende prestaties, energie-efficiëntie en compacte vormfactoren leveren. Van enorme datacenters tot autonomous voertuigen, robots, mobiele apparaten, wearables en toekomstige toepassingen die nog onbekend zijn, is de behoefte aan snellere, slimmere en groenere hardware dringend.

In het hardware-domein roept deze uitdaging innovatieve paradigmata op in sensoren, processoren, geheugen, interconnects en packaging. Leti's onderzoekscommunity verkennt actief deze grenzen, positionerend zich op het snijvlak van Edge AI en bredere industrietrends. Real-world, fabriceerbare oplossingen zullen alleen ontstaan door interdisciplinaire samenwerking vóór massaproductie.

We kunnen de AI-marktplaats anticiperen door toepassingen af te beelden op rekenvermogen en stroomverbruik (zie Figuur 1). Wearables zitten aan de low-power, low-compute kant, terwijl datacenters de hoogste prestaties en energiebudgetten vereisen. Slimme apparaten, augmented reality, robotica en autonome voertuigen liggen er ertussenin.

Figuur 1. (Bron: Leti)

Edge AI - waar de meeste data-analyse plaatsvindt op het punt van opname - bloeit aan deze linkerkant van het spectrum. Het bereiken ervan vereist sensoren en processoren die on-the-fly kunnen aanpassen, net als menselijke ogen en oren. Deze componenten moeten dynamisch eigenschappen zoals dynamisch bereik kunnen aanpassen aan lokale intelligentie, allemaal binnen een footprint die in een horloge of wearable past.

Aan de andere kant blootleggen grotere AI-workloads de limieten van traditionele rekenarchitecturen, met name de constante geheugen lees/schrijf cycli die zowel tijd als energie consumeren.

Met deze realiteiten in gedachten, prioriteert Leti onderzoek naar slimme sensoren en baanbrekende rekenbenaderingen.

Een van de kernknelpunten van moderne computing is data-verplaatsing: het overbrengen van data tussen geheugen en processor verbruikt nu veel meer tijd en energie dan de berekening zelf. Feitelijk kunnen data-overdracht en geheugentoegang tot 90% van het energiebudget van een systeem uitmaken - een alarmerende cijfer voor AI-workloads die vertrouwen op enorme datasets en eenvoudige operaties. Het verminderen van data-verplaatsing is daarom essentieel.

Leti's langdurig werk aan 3D-circuituit zoekt om geheugen direct op processoren te stacken, wat fysieke verbindingen verkort en latentie verlaagt. We zijn ook aan het pionieren met nieuwe geheugenarchitecturen die optelling, aftrekking en Booleaanse logica direct in SRAM-cellen uitvoeren. Deze in-memory computing (IMC) benadering elimineert de noodzaak om data uit het geheugen te halen, wat ruimte en energie bespaart. Vroege prototypes tonen potentieel voor een 100-voudige toename in AI-doorvoer terwijl ze binnen dezelfde frequentie- en energie-omhulling blijven die verwacht wordt voor de jaren '20.