如何让IoT应用得以从芯片自我学习中受益

比利时研究机构Imec认为，相较于使用神经网络，基于电阻和磁内存单元数组的机器学习加速更有助于降低成本和功耗。例如，在其最初的研究结果显示，磁阻式随机存取内存（MRAM）数组可让功率降低两个数量级。

但这项具有前景的开发工作仍处于初期阶段。Imec预计要到今年稍晚提出专利申请后，才会发布更多有关该芯片的架构及其性能等细节。该研究机构从一年半以前开始组成机器学习小组，期望扩展在其核心任务——芯片制程技术以外的更多相关研究。

在今年的Imec技术论坛（ITF2017）开幕当天，研究人员们率先发布这款芯片，同时也介绍其于低功耗眼动追踪系统的最新进展，以及一款可为义肢提供更高阶触觉反馈的植入式芯片。

在自我学习分类任务方面，采用MRAM单元的Imec数组具有更高100倍的能源效率。Imec半导体技术与系统执行副总裁An Steegen表示：「整体而言，使用新兴内存比基于CMOS的机器学习架构更节能。」

另一款芯片采用基于金属氧化物电阻式随机存取内存（ReRAM）的单元数组，Imec研究人员们称之为‘OxRAM’。 这款65nm的芯片经由取得40首古典长笛乐曲上的资料，学会了预测模式，然后再根据所学习的模式自行创作音乐。

新兴内存的优点在于能让数据位储存在同一个单元中，从而实现最小的晶粒尺寸。这种方法让Imec更加期望有一天能将其整合于传感器节点中，让物联网（IoT）应用得以从自我学习中受益。

图1：Imec的自我学习芯片可望为成本和功耗受限的IoT节点带来机器学习功能 （来源：Imec）

该芯片需要许多数组的层级架构以执行有利的工作。但 Imec尚未透露这款芯片上的数组大小。

负责这项开发计划的Praveen Raghavan说：「OxRAM一直用于内存储存，但我们想将它用于两个对象之间的随机链接。该展示以馈入编码机制作为输入，并提供可能的预测，馈入地址并读取预测作为输出数据。」

「其优点在于能实现极其密集的自我学习芯片——相形之下，IBM的True North的占位面积太大了。而且，这款极高密度且极低功耗的芯片是可以大量制造的，」他补充说。

虽然不完全是神经网络，但这种技术在应用方面类似于可预测事件序列的长短期记忆（LSTM）网络。他说：「相较于LSTM加速需要更多的数据以及一款用于训练的较大GPU，这款OxRAM芯片的成本比更低。」

OxRAM途径也适用于像生成对抗网络（GAN）等应用；GAN是一种新兴的技术，让神经网络之间互相对抗，以加快学习速度。

义肢触觉与眼动追踪技术

此外，Imec还开发了具有128个记录电极和32个刺激电极的植入式神经芯片硬件，可实现较现有装置更多10倍的触点数。这款芯片如今正在进行动物试验，期望能提供较现有义肢更明显有效的控制与触觉反馈。

这款芯片能够以数百毫秒（ms）的速度在大脑和义肢之间传送讯号。虽然比人类的神经传导速度更慢，但较当今的义肢所要求的秒数更快。

图2：植入式芯片承诺更快的讯号传送速度，从而实现更有效的义肢控制

然而，Imec至今仅开发了硬件原型，尚未对于软件进行优化。随着导线数量持续增加，未来可能会产生明显的延迟。

该计划是Imec与美国佛罗里达大学（University of Florida）合作的一部份，该校现正进行美国国防部先进研究计划署（DARPA）的一项研究计划。

最后，Imec并展示提供眼动追踪技术的眼镜，其方式是在眼睛周围监测人脑与神经讯号。截至目前为止，该系统的准确度还比不上目前基于摄影机的眼动追踪技术。不过，它更有助于大幅降低成本与功耗。