位置:51电子网 » 企业新闻

DU361

发布时间:2018-3-13 16:08:00 访问次数:74 发布企业:深圳市高科世纪电子有限公司

DU361音响专用芯片 代烧录

封装:LQFP

品牌:DSP

全新原装 长期供应


业务联系方式:

林小姐 0755-83179739 QQ:2075817008





由于,人工智能(AI)担负工作与目前大多数计算机的运算工作有些不同。然而,AI隐含着分析预测、推理、直观的能力与功能。实时是最有创意的机器学习算法也受到现有机器硬件能力的束缚。因此,若要在AI方面取得长足进步,我们必须在硬件上进行改变,或是半导体材料上进行突破。演变从GPU开始,引入模拟设备(analog devices),然后演变成为具容错性量子计算机(fault tolerant quantum computers)。 现在从大规模分布式深度学习算法应用于图形处理器(GPU)开始将高速移动的数据,达到最终理解图像和声音。DDL算法对视频和音频数据进行训练,GPU越多表示学习速度越快。


目前,IBM创下纪录:随着更多GPU加入能提升达到95%效率,就能识别750万个图像达到33.8%,使用256个GPU 于64个Minsky电源系统上。 自2009年以来,随着GPU模型训练从视频游戏图形加速器转向深度学习,使分布式深度学习每年以约2.5倍的速度发展。所以IBM曾于2017年IEEE国际电子设备会议(2017 IEEE International Electron Devices Meeting)针对应用材料发表Semiconductor Futurescapes: New Technologies, New Solutions,谈到需要开发哪些技术才能延续这种进步速度并超越GPU?

如何超越GPU IBM研究公司认为,GPU的转变分为三个阶段进行:

1、首先将在短期内利用GPU和传统的CMOS构建新的加速器以继续进行;

2、其次将寻找利用低精密度和模拟设备(analog devices)来进一步降低功率和提高性能的方法;

3、然后进入量子计算时代,它可是一个机会,能提供全新的方法。 在CMOS上的加速器还有很多工作要做,因为机器学习模型可以容忍不精确的计算。正因为“学习”模型可以借助错误学习而发挥作用,然而,在银行交易是无法容忍有一些许的错误。预估,精准运算快速的趋势,到2022年每年以2.5倍在提高。所以,我们还有五年时间来突破模拟设备(analog devices),将数据移入和移出内存以降低深度学习网络的训练时间。因此,analog devices寻找可以结合内存和运算,对于类神经演算的进展将是非常重要的。 类神经演算如同模拟脑细胞。神经元(neurons) 结构相互连接以低功率讯号突破von-Neumann的来回瓶颈(von-Neumann’s back-and-forth bottleneck),使这些讯号直接在神经元之间传递,以实现更高效的计算。美国空军研究实验室正在测试IBM TrueNorth神经突触系统的64芯片数组,专为深度神经网络推理和挖掘信息而设计。该系统使用标准CMOS,但仅消耗10瓦的能量来驱动其6400万个神经元和160亿个突触。 但相变化内存(phase change memory)是下一代内存材料,可能是针对深度学习网络优化的首款仿真器件。

相关新闻

相关型号