比利時研究機構Imec在近日舉行的年度技術論壇(ITF BELGIUM 2018)上透露，該機構正在打造一款采用單位元精度的深度學習推論(inference)芯片原型；Imec并期望在明年收集采用創(chuàng)新資料型態(tài)與架構──采用存儲器內處理器(processor-in-memory，PIM)，或是類比存儲器結構(analog memory fabric)──的客戶端裝置有效性資料。
學術界已經(jīng)研究PIM架構數(shù)十年，而該架構越來越受到資料密集的機器算法歡迎，例如新創(chuàng)公司Mythic以及IBM Research都有相關開發(fā)成果。許多學術研究機構正在實驗1~4位元的資料型別(data type)，以減輕深度學習所需的沉重存儲器需求；到目前為止，包括Arm等公司的AI加速器商用芯片設計都集中在8位元或更大容量的資料型別，部分原因是編程工具例如Google的TensorFlow缺乏對較小資料型別的支援。
Imec擁有在一家晶圓代工廠制作的40奈米制程加速器邏輯部份，而現(xiàn)在是要在自家晶圓廠添加一個MRAM層；該機構利用SRAM模擬此設計的性能，并且評估5奈米節(jié)點的設計規(guī)則。此研究是Imec與至少兩家匿名IDM業(yè)者伙伴合作、仍在開發(fā)階段的項目，從近兩年前展開，很快制作了采用某種電阻式存儲器(ReRAM)的65奈米PIM設計原型。
該65奈米芯片并非鎖定深度學習算法，雖然Imec展示了利用它啟動一段迷人的計算機合成音樂；其學習模式是利用了根據(jù)以音樂形式呈現(xiàn)、從傳感器所串流之資料的時間序列分析(time-series analysis)。而40奈米低功耗神經(jīng)網(wǎng)絡加速器(Low-Energy Neural Network Accelerator，LENNA)則會鎖定深度學習，在相對較小型的MRAM單元中運算與儲存二進制權重。
Imec技術團隊的杰出成員Diederik Verkest接受EE Times采訪時表示：「我們的任務是定義出我們應該利用新興存儲器為機器學習開發(fā)什么樣的半導體技術──或許我們會需要制程上的調整，」以取得最佳化結果。該機構半導體技術與系統(tǒng)部門執(zhí)行副總裁An Steegen則表示：「AI會是制程技術藍圖演化的推手，因此Imec會在AI (以及PIM架構)方面下很多功夫──這方面的工作成果將會非常重要?！?/p>
圖：Imec聲稱其LENNA芯片在推論任務上的表現(xiàn)將超越現(xiàn)有的CPU與GPU（來源：Imec）
確實，如來自英國的新創(chuàng)公司Graphcore執(zhí)行長Nigel Toon所言，AI標志著「運算技術的根本性轉變」；該公司將于今年稍晚推出首款芯片。Toon在Imec年度技術論壇上發(fā)表專題演說時表示：「今日的硬件限制了我們，我們需要某種更靈活的方案…我們想看到能根據(jù)經(jīng)驗調整的(神經(jīng)網(wǎng)絡)模型；」他舉例指出，兩年前Google實習生總共花了25萬美元電費，只為了在該公司采用傳統(tǒng)x86處理器或Nvidia GPU的資料中心嘗試最佳化神經(jīng)網(wǎng)絡模型。
實現(xiàn)復雜的折衷平衡
Imec希望LENNA能在關于PIM或類比存儲器架構能比需要存取外部存儲器的傳統(tǒng)架構節(jié)省多少能量方面提供經(jīng)驗；此外該機構的另一個目標，是量化采用二進制方案在精確度、成本與處理量方面的折衷(tradeoff)。
加速器芯片通常能在一些熱門的測試上提供約90%的精確度，例如ImageNet競賽；Verkest表示，單位元資料型別目前有10%左右的精度削減，「但如果你調整你的神經(jīng)網(wǎng)絡，可以達到最高85%~87%的精確度?！顾矩撠煻綄mec的邏輯制程微縮技術藍圖，在Apple挖腳該機構的第一個AI項目經(jīng)理之后，又兼管AI項目。
Verkest表示，理論上類比存儲器單元應該能以一系列數(shù)值來儲存權重(weights)，但是「那些存儲器元件的變異性有很多需要考量之處；」他指出，Imec的開發(fā)項目將嘗試找出能提供最佳化精度、處理量與可靠度之間最佳化平衡的精度水平。
而Toon則認為聚焦于資料型別是被誤導了：「低精度并沒有某些人想得那么嚴重，存儲器存取是我們必須修正之處；」他并未詳細介紹Graphcore的解決方案，但聲稱該公司技術可提供比目前采用HBM2存儲器的最佳GPU高40倍的存儲器頻寬。
在芯片架構方面，Imec的研究人員還未決定他們是要設計PIM或采用類比存儲器結構；后者比較象是一種類比SoC，計算是在類比區(qū)塊處理，可因此減少或免除數(shù)位-類比轉換。不同種類的神經(jīng)網(wǎng)絡會有更適合的不同架構，例如卷積神經(jīng)網(wǎng)絡(CNN)會儲存與重復使用權重，通常能以傳統(tǒng)GPU妥善運作；歸遞神經(jīng)網(wǎng)絡(RNN)以及長短期記憶模型(long short-term memories，LSTMs)則傾向于在使用過后就拋棄權重，因此更適合表達式存儲器結構
圖：Imec可能會以存儲器結構來打造LENNA，讓運算留在類比功能區(qū)塊（來源：Imec）
新的平行架構非常難編程，因此大多數(shù)供應商正在嘗試建立在TensorFlow等現(xiàn)有架構中攝取程序碼的途徑。而Graphcore則是打造了一種名為Poplar的軟件層，旨在以C++或Python語言來完成這項工作；Toon表示：「我們把在處理器中映射圖形(graphs)的復雜性推到編譯器(也就是扮演該角色的Poplar)。」
Graphcore的客戶很快就會發(fā)現(xiàn)該程序會有多簡單或是多困難；這家新創(chuàng)公司預計在年中將第一款產品出貨給一線大客戶，預期他們會在今年底采用該款芯片執(zhí)行大型云端供應商的服務。Toon聲稱，其加速器芯片將能把CNN的速度提升五至十倍，同時間采用RNN或LSTM的更復雜模型則能看到100倍的效能提升。