位于加州欧文Syntiant认为它可以使用嵌入式闪存大大减少所需的权力执行深度学习计算。奥斯汀,德克萨斯州神话认为它可以使用嵌入式闪存大大减少所需的权力执行深度学习计算。他们都可能是正确的。
一大群人的公司希望提供芯片加速否则繁重的深度学习应用,在某种程度上他们都有相似之处,因为“这些解决方案是由形状的问题,“神话创始人兼首席技术官解释说戴夫·菲克。
当执行一个CPU,问题是形状像数据的交通堵塞。组成的神经网络连接和“权重”表示这些连接,强度,必须移动这些权重,这样他们就可以表示数字在正确的地点和时间是今天做深度学习的主要能量消耗。
“我们的方法是完全消除内存带宽和存储能力惩罚通过计算在内存中,“Syntiant首席执行官解释道库尔特·布希。
在两家公司的方法中,网络权值实际上是水平的闪存细胞的电荷存储在一个数组中。电荷改变电流流经细胞,细胞排列的方式目前生产至关重要的“乘法和积累”计算所需网络从日落告诉停车标志,或“好的谷歌”从“大灰色贵宾犬。”
因为权重总是需要,不需要花费任何时间或精力来移动它们。的模拟计算能力低。在训练神经网络通常是通过计算相当精确的8位或16位数字,实际使用经过训练的网络(inferencing-can速度和较低的电力使用更少precise-5-bit甚至3-bit-numbers权重。与模拟计算,您可以构建大量增殖和积累低精度,但非常非常准确,”布希说。
神话的目标是仅0.5焦耳/大量增殖和积累,这将导致大约4万亿操作每瓦特(上衣/ W)。Syntiant希望得到20上衣/ W。一个Nvidia Volta V100 GPU可以做0.4上衣/ W,根据Syntiant。然而,真正的机器学习世界的横向比较很难确定,菲克指出。
每个创业模拟电路使用的程度是一个关键的区别。Syntiant整个网络的模拟,但神话围绕着模拟闪存阵列可编程数字电路。神话使用周围的电路增加灵活性的大小和类型的网络其芯片可以运行。“所有的网络拓扑上运行在大约相同的效率我们的芯片,”菲克说。
这种差异也会影响两家公司的目标客户和应用程序。Syntiant“我们常说神话出现在100%的投资会议,与百分之零的客户,”布希说。两家公司表示,他们正试图在“添加人工智能优势。“但这是一个广泛的类别,包括从无人驾驶汽车到增高助听器。
Syntiant小后,often-milliwatt电源应用。它的第一个设备会发现后单词和确定扬声器。
神话是应用程序需要更复杂的网络能够处理高分辨率视频与较低的个位数上瓦电力系统,如自主无人机和智能手机。菲克说有数量级的差异这些应用程序和所需的操作每秒Syntiant之后。
