Innatera stellt erste neuromorphe KI-Chips für ultra-energiesparende Edge-Anwendungen vor

Innatera, ein niederländisches Startup, das sich auf neuromorphe KI-Beschleuniger für Spiking Neural Networks (SNNs) spezialisiert hat, hat seine ersten Chips produziert, ihre Leistung benchmarked und wichtige architektonische Details enthüllt.

Das Unternehmen gab außerdem bekannt, dass Alberto Sangiovanni‑Vincentelli – Mitgründer von Cadence und Synopsys – als Chairman des Board beigetreten ist. Sangiovanni‑Vincentelli ist derzeit Professor an der UC Berkeley und bringt jahrzehntelange Industrieerfahrung mit.

Innateras Chip ist darauf ausgelegt, verschiedene SNNs für Audio-, Gesundheits- und Radar-Anwendungen zu beschleunigen (Bild: Innatera)

Im Gegensatz zu herkömmlichen KI-Modellen ahmen SNNs die spiking-Aktivität des Gehirns nach und nutzen die präzise Timing von elektrischen Impulsen zur Mustererkennung. Aufgrund dieses einzigartigen Rechenparadigmas erfordern SNNs dedizierte Hardware, die Zeitreihendaten effizient verarbeiten kann, während sie minimalen Strom verbraucht.

Während viele Wettbewerber wie Prophesee Bild- und Videostreams anvisieren, fokussiert sich Innatera auf Audio (Spracherkennung), Gesundheit (Vitalzeichenüberwachung) und Radar (datenschutzfreundliche Sturzerkennung für Senioren). Diese Domänen basieren auf kontinuierlichen Zeitreihendaten und erfordern enge Leistungsbudgets am Sensorknoten.

Marco Jacobs (Bild: Innatera)

„Unser Array glänzt bei der Verarbeitung von Zeitreihendaten, was der Kern von Audio-, Gesundheits- und Radar-Anwendungen ist“, sagte Marco Jacobs, VP of Marketing and Business Development. „Es gibt wenige Lösungen, die diese Bedürfnisse effektiv adressieren.“

Innateras Tests zeigen, dass jedes Spike-Event weniger als ein Picojoule verbraucht – unter 200 fJ in einem TSMC 28-nm-Prozess – und sich damit der Energie biologischer Neuronen annähert. Eine typische Keyword-Spotting-Aufgabe erforderte weniger als 500 Spikes pro Inferenz, was zu einer Leistungsaufnahme von unter einem Milliwatt führt, so CEO Sumeet Kumar.

Cluster feuernder Neuronen (Punktgruppen) repräsentieren die Detektion von Phonemen in Sprache. Je mehr Rauschen die Eingabedaten enthalten, desto schwieriger sind die Cluster zu erkennen, bleiben aber größtenteils vorhanden (Bild: Innatera)

Verarbeitungsarchitektur

Innateras Prozessor nutzt ein massiv paralleles neuro-synaptisches Array mit Spike-Encodern und -Decodern, das im analog/mixed-signal-Bereich arbeitet, um kontinuierliche Zeitdynamik zu bewahren.

Innateras spiking neuraler Prozessor umfasst ein massiv paralleles neuro-synaptisches Array sowie Spike-Encoder und -Decoder (Bild: Innatera)

Die Architektur betont Programmierbarkeit, die flexible Neuronenkonnektivität und feinkörnige Spike-Timing-Anpassungen über das SDK ermöglicht. Diese Flexibilität ist essenziell, um die komplexen Netzwerktopologien des Gehirns in Silizium abzubilden und die Performance auf diversen SNN-Workloads zu optimieren.

Neuronen und Synapsen werden in analogem Silizium implementiert, um ultra-niedrigen Stromverbrauch zu gewährleisten und kontinuierliche Zustandsbeibehaltung zu ermöglichen – Aufgaben, die in rein digitalen Schaltungen kostspielig zu diskretisieren wären. „Analoge Domänen bewahren Zustandsinformationen natürlich, ohne sie in die Netzwerktopologie kodieren zu müssen“, sagte Kumar.

Ein Compute-Segment in Innateras Array, wo die Neuronen sorgfältig gematcht sind. Programmierbare Synapsen sind in einer Multi-Level-Crossbar-Struktur angeordnet. (Schwarze Linien/Striche stellen hier Eingangs- und Ausgangsspikes dar) (Bild: Innatera)

Um Fertigungsvariabilität zu mindern, gruppiert Innatera Neuronen in eng gematchte Segmente, um deterministisches Verhalten im gesamten Array sicherzustellen. Software im SDK kompensiert verbleibende Mismatches, sodass Entwickler sich auf Anwendungslogik statt Low-Level-Kalibrierung konzentrieren können.

Anwendungsspezifischer Fokus

Aus der TU Delft ausgegründet, sicherte Innatera bis Ende 2020 5 Millionen Euro (ca. 6 Millionen Dollar) Seed-Finanzierung. Das Unternehmen arbeitet bereits mit zahlenden Kunden zusammen und liefert ausgereifte SNN-Algorithmen, bevor es zur Hardware übergeht.

„Wir sind ein Compute-Solutions-Unternehmen“, sagte Kumar. „Wir bieten Komplettlösungen, die Hardware mit anwendungsspezifischen SNN-Algorithmen kombinieren.“

Der erste Chip ist für Audio-, Gesundheits- und Radar-Anwendungsfälle validiert, mit einem Roadmap, der weitere Optimierungen für jede Domäne einführen könnte. „Unsere Architektur unterstützt eine breite Palette von SNNs über Anwendungen hinweg, aber wir werden die Hardware für tiefere Domänenintegration weiter verfeinern“, fügte Kumar hinzu.

Erste Chip-Muster sollen vor Ende 2021 versendet werden.

> Dieser Artikel wurde ursprünglich auf unserer Schwesterseite EE Times veröffentlicht.

Verwandte Inhalte:

• KI-Chip zielt auf energiesparende Edge-Geräte ab
• Toolchain, Sensorboard erweitern KI-Chip-Ökosystem
• Neue KI-Beschleunigungsmodule verbessern Edge-Performance
• KI am Edge: worauf 2021 zu achten ist
• Wie man AI of Things (AIoT) auf MCUs implementiert

Für weitere Embedded-Inhalte abonnieren Sie den wöchentlichen E-Mail-Newsletter von Embedded.