小程序
传感搜
传感圈

清华造人工神经网络芯片,效能高过GPU两个数量级

2020-02-26
关注
摘要 该存算一体系统在办理卷积神经网络(CNN)时能效比前沿的图形办理器芯片(GPU)高两个数质级,可以说在一定程度上冲破了“冯诺依曼瓶颈”的限造:大幅提升算力的同时,实现了以更小的功耗和更低的硬件成本完成复杂的计算。

  近日,清华大学微电子所、未来芯片技术高精尖创新中心钱鹤、吴华强教授团队与合作者在《自然》在线发表了题为“Fully hardware-implemented memristor convolutional neural network”的研究论文,报道了基于忆阻器阵列芯片卷积网络的完整硬件实现。

  该存算一体系统在办理卷积神经网络(CNN)时能效比前沿的图形办理器芯片(GPU)高两个数质级,可以说在一定程度上冲破了“冯诺依曼瓶颈”的限造:大幅提升算力的同时,实现了以更小的功耗和更低的硬件成本完成复杂的计算。


来源:清华新闻网

  1、什么是忆阻器?

  忆阻器,全称记忆电阻器(Memristor),是继电阻、电容、电感之后的第四种电路基本元件,表示磁通与电荷之间的关系,最早由加州大学伯克利分校教授蔡少棠在1971年预言存在,惠普公司在2008年研制成功。

  简单来说,这种组件的的电阻会随着通过的电流量而改变,而且就算电流停止了,它的电阻仍然会停留在之前的值,直到接受到反向的电流它才会被推回去,等于说能“记住”之前的电流量。

  这种奇妙的效果,其实和神经元突触有相仿之处。再加上忆阻器还具有尺寸小、操作功耗低、可大规模集成(三维集成)等优点,难怪计算机科学家们在忆阻器身上看到了存算一体、低能耗类脑计算的前景。

  人工神经网络近年来大放异彩,如果用忆阻器连接成阵列,作为人工神经网络的硬件,会有什么效果?

  2、如何通过神经网络制备忆阻器阵列?

  当前国际上的相关研究还停留在简单网络结构的验证,或者基于少量器件数据进行的仿真,基于忆阻器阵列的完整硬件实现仍然有很多挑战:器件方面,制备高一致、可靠的多值忆阻器阵列仍是挑战;系统方面,受忆阻器的阻变机理制约,器件固有的非理想特性(如器件间波动,器件电导卡滞,电导状态漂移等)会导致计算准确率降低;架构方面,忆阻器阵列实现卷积功能需要以串行滑动的方式连续采样、计算多个输入块,无法匹配全连接结构的计算效率。

  钱鹤、吴华强教授团队通过优化材料和器件结构,成功制备出了高性能的忆阻器阵列。2017年5月,该课题组就曾在《自然通讯》报告称,首次实现了基于1024个氧化物忆阻器阵列的类脑计算,将氧化物忆阻器的集成规模提高了一个数量级。这使芯片更加高效地完成人脸识别计算任务,将能耗降低到原来的千分之一以下。

  为解决器件非理想特性造成的系统识别准确率下降问题,他们提出一种新型的混合训练算法,仅需用较少的图像样本训练神经网络,并通过微调最后一层网络的部分权重,使存算一体架构在手写数字集上的识别准确率达到96.19%,与软件的识别准确率相当。与此同时,提出了空间并行的机制,将相同卷积核编程到多组忆阻器阵列中,各组忆阻器阵列可并行处理不同的卷积输入块,提高并行度来加速卷积计算。

  在此基础上,该团队搭建了全硬件构成的完整存算一体系统,在系统里集成了8个包括2048个忆阻器的阵列,以提高并行计算的效率,并在该系统上高效运行了卷积神经网络算法,成功验证了图像识别功能,证明了存算一体架构全硬件实现的可行性。

您觉得本篇内容如何
评分

评论

您需要登录才可以回复|注册

提交评论

传感器大佬

比易烊千玺帅一点点的传感器从业者。

关注

点击进入下一篇

SITRI揭秘iPhone X手机中的3D人脸识别传感器

提取码
复制提取码
点击跳转至百度网盘