傳感器技術(shù)與日俱進(jìn)，低功耗AI芯片成為背后功臣

隨著機(jī)器學(xué)習(xí)與AI快速發(fā)展，摩爾定律卻在逐步放緩，從架構(gòu)設(shè)計(jì)上尋求創(chuàng)新就成了當(dāng)下芯片設(shè)計(jì)的主流解決方案，尤其是在低功耗的AI加速器芯片上。這些用于邊緣端的AI加速器芯片彌補(bǔ)了傳統(tǒng)傳感器方案計(jì)算能力缺乏或算力有限的問(wèn)題，讓傳感器專(zhuān)注于感知層的提升，而算力上的提升和應(yīng)用場(chǎng)景上的擴(kuò)展，則可以放心交給低功耗AI芯片解決。

低功耗芯片也不缺席AI訓(xùn)練

全新興起的這股邊緣AI熱，自然也對(duì)不少傳統(tǒng)半導(dǎo)體廠商產(chǎn)生了沖擊，為此他們也開(kāi)始發(fā)力邊緣AI領(lǐng)域，羅姆正是其中之一。去年，羅姆宣布已經(jīng)開(kāi)發(fā)出了用于IoT邊緣計(jì)算的端側(cè)學(xué)習(xí)AI芯片，其功耗甚至可以做到低至30mW。該芯片集成了羅姆自研的8位CPU tinyMicon MatisseCORE，以及2萬(wàn)門(mén)的AI加速器AxlCORE-ODL。

羅姆端側(cè)AI芯片原型架構(gòu) / 羅姆

Matisse這一CPU不僅做到了極小的面積，在性能上也要超過(guò)尋常的8位CPU，甚至符合ISO 26262、ASIL-D的車(chē)規(guī)標(biāo)準(zhǔn)。AxlCORE-ODL則選擇了由輸入層、中間層和輸出層來(lái)組成簡(jiǎn)單的三層神經(jīng)網(wǎng)絡(luò)。

除了極低的功耗，羅姆這顆芯片的最獨(dú)特之處在于可以像云端AI芯片一樣，完成訓(xùn)練任務(wù)。傳統(tǒng)的低功耗AI芯片由于算力限制，往往是只能用于簡(jiǎn)單的推理任務(wù)，而羅姆的AI SoC卻同時(shí)支持這兩種工作負(fù)載。

不過(guò)該芯片畢竟是主打端側(cè)低功耗的，無(wú)法進(jìn)行較為復(fù)雜的訓(xùn)練任務(wù)，羅姆對(duì)其定位主要是用于對(duì)端側(cè)傳感器和電機(jī)的實(shí)時(shí)故障預(yù)測(cè)。在無(wú)需連接云服務(wù)器的前提下，該芯片就可以將未知的輸入數(shù)據(jù)和模式生成非常規(guī)數(shù)值輸出，從而預(yù)測(cè)內(nèi)置傳感器或電機(jī)設(shè)備的潛在故障。

終端攝像頭迎來(lái)新升級(jí)

耐能作為一家專(zhuān)注于邊緣AI SoC芯片開(kāi)發(fā)的廠商，此前已經(jīng)推出了KL520、KL530與KL720這一系列低功耗的AI芯片，也在去年11月推出了新一代的低功耗終端AI芯片KLM5S3。

從性能和特性來(lái)看，耐能的新產(chǎn)品KLM5S3是一款專(zhuān)門(mén)面向終端攝像頭市場(chǎng)的低功耗AI芯片。KLM5S3基于ARM Cortex A5并采用28nm工藝設(shè)計(jì)，NPU算力達(dá)到0.5eTOPS@INT8，支持Cafee、Tensorflow/lite、Pytorch等常見(jiàn)框架。

針對(duì)終端攝像頭應(yīng)用，KLM5S3支持雙路HDR處理、電子防抖和魚(yú)眼校正等等，這些特性可以使其廣泛用于安防、記錄儀等場(chǎng)景，甚至可以用于ADAS系統(tǒng)。車(chē)規(guī)圖像傳感器除了高動(dòng)態(tài)范圍外，另一大要求就是對(duì)LED閃爍的抑制，因?yàn)樾旭傔^(guò)程中各種不同頻率的LED閃爍可能會(huì)對(duì)圖像輸出造成干擾。

耐能的KLM5S3AI芯片在搭配車(chē)規(guī)級(jí)攝像頭時(shí)，可以在NPU進(jìn)行計(jì)算和輸出紅綠燈和其他交通標(biāo)志的識(shí)別結(jié)果，從而降低駕駛風(fēng)險(xiǎn)。

小結(jié)

從這幾年推出的低功耗AI加速器來(lái)看，采用模擬和ASIC這兩種實(shí)現(xiàn)方式的芯片居多，加速對(duì)象以CNN居多，其次是DNN和RNN。因?yàn)镃NN主要用于圖像識(shí)別這樣簡(jiǎn)單的視覺(jué)AI任務(wù)，與視覺(jué)傳感器更為契合。而DNN和RNN之類(lèi)的神經(jīng)網(wǎng)絡(luò)加速更多用于一些語(yǔ)音、文本處理任務(wù)。

至于負(fù)載類(lèi)型，100W以下功耗的AI芯片主要還是單獨(dú)用于推理，訓(xùn)練任務(wù)絕大多數(shù)還是交給大功率的AI芯片在云端完成。這并不是說(shuō)傳感器這樣的邊緣硬件不需要訓(xùn)練，而是現(xiàn)階段的簡(jiǎn)單模型已經(jīng)可以解決這些傳感器的大部分需求，但隨著未來(lái)數(shù)字孿生等應(yīng)用對(duì)傳感器性能的要求進(jìn)一步提高，低功耗AI芯片勢(shì)必會(huì)成為最有效的輔助硬件。

審核編輯 ：李倩