Симпозиумы 2020 года по технологиям СБИС: Intel Labs представит исследования по темам интеллектуальной периферии и энергоэффективных вычислений
16, июнь 2020 На этой неделе на симпозиумах 2 020 года по технологиям СБИС и схемам , корпорация Intel представит ряд исследований и технических точек зрения на трансформацию вычислительных технологий , обусловленную увеличением объемов данных , которые сегодня все больше распределяются между ядром , краевыми устройствами и конечными точками . Директор по технологиям Майк Мейберри ( Mike Mayberry ) выступит с основным докладом « Будущее вычислений : как трансформация данных преобразует СБИС », в котором подчеркивается важность перехода вычислительных технологий от аппаратного / программного подхода к модели , ориентированной на работу с данными / информацией . « Огромный объем данных , проходящих через распределенную краевую , сетевую и облачную инфраструктуру , диктует необходимость в энергоэффективных и мощных вычислительных технологиях , которые позволяли бы осуществлять обработку данных рядом с той точкой , где эти данные генерируются . Однако зачастую подобные решения ограничены имеющейся пропускной способностью , памятью и требованиями к энергопотреблению . В исследовании , которое Intel Labs представляет на Симпозиумах по СБИС , выделено несколько новых подходов к созданию более эффективных вычислений , которые открывают большие перспективы и могут применяться для решения самых различных задач – от робототехники и дополненной реальности до машинного зрения и видеоаналитики . Этот комплекс исследований направлен на устранение препятствий , мешающих перемещению данных и вычислениям , которые представляют собой самые сложные задачи , связанные с обработкой данных в будущем ». -- Вивек К . Де ( Vivek K . De ), научный сотрудник Intel и директор по исследованиям в области схемотехники , Intel Labs . На симпозиумах будет представлено несколько исследовательских работ Intel , в которых рассматриваются новые приемы и технологии для повышения уровня производительности и энергоэффективности в периферийных / сетевых / облачных системах будущего в контексте растущего числа периферийных приложений . Среди тем , освещенных в научных статьях ( полный перечень исследований приведен в конце этого документа ) можно отметить : Повышение эффективности и точности реконструкции 3 D сцен для периферийной робототехники с использованием аппаратных ускорителей бросания лучей ( ray - casting ) Название статьи : Ускоритель бросания лучей на базе 10 нм КМОП технологии для эффективной реконструкции 3 D - сцен в периферийной робототехнике и в приложениях дополненной реальности Аннотация : В некоторых приложениях , например , в современной робототехнике или технологиях дополненной реальности , необходима точная , быстрая и энергоэффективная реконструкция сложных объемных сцен из огромных объемов данных , генерируемых методом бросания лучей , для плотной одновременной локализации и картирования ( Simultaneous Localization And Mapping , SLAM ) в режиме реального времени . В этой исследовательской работе Intel рассказывает о новом аппаратном ускорителе бросания лучей , в котором используются новейшие технологии для сохранения высокой точности реконструкции сцен и достижения превосходных показателей энергопотребления . Эти инновационные подходы , в том числе применение таких методов как поиск наложения вокселей ( voxel overlap search ) и аппаратная аппроксимация вокселей , снижают потребность в доступе к локальной памяти , а также повышают энергоэффективность для будущих приложений в области робототехники и дополненной реальности . Сокращение энергозатрат при анализе видеопотока методами глубокого обучения на управляемом событиями процессоре машинного зрения ( event - driven visual data processing unit , EPU ) Название статьи : Управляемый событиями процессор машинного зрения , позволяющий работать с FHD потоком с частотой 70 кадров в секунду при потреблении 0,05 пДж / пиксель (0.05 pJ / Pixel 70 fps FHD 1 Meps ) Аннотация : Анализ визуальных данных методами глубокого обучения в режиме реального времени , используемый , например , в системах безопасности и защиты , предполагает быстрое обнаружение объектов из нескольких видеопотоков и требует высокой скорости обработки и большой пропускной способности памяти . Чтобы минимизировать эту нагрузку , при обработке видеопотока с этих камер обычно частота выборки снижается , однако подобный подход приводит к снижению точности изображения . В данном исследовании Intel демонстрирует управляемый событиями блок обработки визуальных данных ( EPU ), который в сочетании с новейшими алгоритмами позволяет управлять ускорителями глубокого обучения , чтобы они обрабатывали входящий видеопоток только в представляющих интерес зонах , где зафиксировано движение ( motion - based “ regions of interest ”). Этот новый подход позволяет снизить высокие требования к вычислительной производительности и памяти для анализа видеоданных на периферии . Расширение пропускной способности локальной памяти для приложений на базе искусственного интеллекта , машинного обучения и глубокого обучения Название статьи : Двукратное увеличение пропускной способности памяти 6 T - SRAM для рабочих нагрузок , ресурсозатратных с точки зрения пропускной способности памяти Аннотация : Многие процессоры искусственного интеллекта , особенно те , которые используются для обработки естественного языка , например , в голосовых помощниках , все чаще ограничены доступом к локальной памяти . Удвоение частоты или увеличение числа банков памяти для решения этих проблем приводит к снижению энергоэффективности и увеличению занимаемой площади , что особенно актуально для периферийных устройств с ограниченным пространством . В этом исследовании Intel продемонстрировала , что использование массива памяти 6 T - SRAM обеспечивает вдвое более высокую пропускную способность чтения по требованию при работе в блочном режиме ( burst mode ) с повышением энергоэффективности на 51%, чем при удвоении частоты , а также обеспечивает на 30% более эффективное использование площади , чем при удвоении количества банков памяти . Полностью цифровой ускоритель бинарных нейронных сетей Название статьи : Полностью цифровой ускоритель бинарных нейронных сетей с эффективностью 617 TOPS / Вт в виде FinFET КМОП - устройства , выполненного по 10- нм техпроцессу Аннотация : В периферийных устройствах с ограничениями по мощности и доступным ресурсам , где в отдельных случаях приемлемы выходные сигналы с низкой точностью , в качестве альтернативы высокоточным нейронным сетям , предъявляющим более высокие требования к вычислительным ресурсам и памяти , используются аналоговые бинарные нейронные сети ( Binary Neural Networks , BNN ). Однако аналоговые BNN - сети дают более низкую точность прогнозирования , так как они менее толерантны к изменчивости процесса и шумам . В этом исследовании Intel демонстрирует использование полностью цифровой BNN - сети , которая отличается высокой энергоэффективностью , сопоставимой с аналоговым сетями , работающими в памяти , и при этом обеспечивает более высокую надежность и масштабируемость при современных технологических процессах . Среди прочего на симпозиумах 2020 VLSI Symposia были представлены следующие научные работы Intel :
Подробнее об Intel Labs: пресс - кит I ntel Labs О корпорации Intel Intel ( NASDAQ : INTC ) является отраслевым лидером , который создает технологии , меняющие наш мир и способствующие глобальному прогрессу и улучшению качества жизни людей . Воодушевленные Законом Мура , мы продолжаем работать над совершенствованием дизайна и производства полупроводников , помогая нашим заказчикам решать величайшие задачи человечества . За счет интеграции интеллекта в облако , сеть , периферию и каждое вычислительное устройство мы раскрываем потенциал данных и помогаем трансформировать бизнес и общество в лучшую сторону . Чтобы узнать больше об инновациях Intel , зайдите на сайт newsroom . intel . com или intel . com . © Intel Corporation . Intel , логотип Intel и прочие обозначения Intel являются торговыми марками корпорации Intel или ее дочерних подразделений . Все прочие наименования являются собственностью соответствующих владельцев . |
|