BrainChip lanza kits de desarrollo neuromórfico Akida para IA en el borde

BrainChip, proveedor líder de IP de computación neuromórfica, presentó dos nuevos kits de desarrollo con su SoC neuromórfico Akida en la reciente Conferencia de Procesadores Linley Fall. Los kits vienen en formato x86 Shuttle PC y diseño Arm‑based Raspberry Pi, dando a desarrolladores plataformas listas para usar para construir y probar aplicaciones de redes neuronales de pulsos (SNN). El silicio Akida también está disponible para integración en diseños personalizados.

La arquitectura neuromórfica de Akida entrega IA de ultra-bajo consumo imitando el procesamiento orientado a eventos del cerebro. A diferencia de modelos de deep learning convencionales, las SNN transmiten información a través de pulsos discretos que codifican tanto patrones espaciales como secuencias temporales. Este dominio de eventos es ideal para dispositivos de borde que requieren inferencia en tiempo real y consciente de potencia desde flujos de sensores.

Además de cargas de trabajo SNN nativas, las unidades de procesamiento neuronal (NPU) de BrainChip pueden ejecutar redes neuronales convolucionales (CNN) tras convertirlas al dominio de eventos. La conversión, realizada por el flujo de software MetaTF, preserva la extracción de características de CNN mientras habilita aprendizaje on-chip a través de plasticidad dependiente del tiempo de pulsos —eliminando la necesidad de reentrenamiento basado en nube.

Las placas de desarrollo de BrainChip están disponibles para x86 Shuttle PC o Raspberry Pi. (Fuente: BrainChip)

«Akida está lista para la tecnología neuromórfica del mañana, pero ya resuelve los desafíos de IA en el borde de hoy», dijo Anil Mankar, cofundador y director de desarrollo de BrainChip, a EE Times. «Nuestro software de tiempo de ejecución elimina la curva de aprendizaje alrededor de SNN y el dominio de eventos, permitiendo a desarrolladores familiarizados con TensorFlow o Keras portar modelos y evaluar potencia y precisión directamente en nuestro hardware.»

Mankar explicó que las CNN destacan en extraer características de grandes conjuntos de datos. Al convertir capas CNN a operaciones basadas en eventos —excepto la capa final de clasificación— Akida retiene esta capacidad mientras añade aprendizaje por tiempo de pulsos. Las SNN nativas pueden usar precisión de un bit, mientras que las CNN convertidas típicamente emplean pulsos de 1, 2 o 4 bits. La herramienta de cuantización de BrainChip ayuda a los diseñadores a elegir el ancho de bit apropiado por capa. Por ejemplo, un modelo MobileNet V1 cuantizado a 4 bits logró 93,1 % de precisión en una tarea de clasificación de 10 clases.

La conversión al dominio de eventos también produce ahorros significativos de potencia debido a la dispersión. En el dominio de eventos, solo valores de activación no nulos generan pulsos, y la NPU procesa solo esos eventos. Para una CNN típica, aproximadamente la mitad de las activaciones son cero tras ReLU, por lo que la implementación basada en eventos reduce drásticamente el número de operaciones MAC, bajando el consumo de potencia.

Funciones como convolución, convolución puntual, convolución en profundidad, max pooling y global average pooling pueden traducirse al dominio de eventos. El siguiente diagrama ilustra la reducción en operaciones MAC para una tarea de clasificación de objetos: azul oscuro representa la CNN tradicional, azul claro muestra la implementación Akida en dominio de eventos, y verde indica regularización de actividad adicional.

Operaciones MAC requeridas para inferencia de clasificación de objetos (azul oscuro es CNN en dominio no-evento, azul claro es dominio de evento/Akida, verde es dominio de evento con regularización de actividad adicional). (Fuente: BrainChip)

En un benchmark real, un modelo de detección de palabras clave ejecutado en la placa Akida tras cuantización a 4 bits consumió solo 37 µJ por inferencia (equivalente a 27.336 inferencias por segundo por vatio). El modelo alcanzó 91,3 % de precisión operando a un modesto reloj de 5 MHz.

Agnóstico a sensores

La IP NPU y el chip Akida de BrainChip son agnósticos a la red y soportan una amplia gama de sensores. Ya sea procesando imágenes, audio, datos olfativos, gustativos o táctiles, el mismo hardware puede manejar tanto CNN (vía conversión) como SNN nativas.

Cada nodo NPU contiene 100 kB de SRAM local para parámetros, activaciones y buffers de eventos, y hasta cuatro nodos pueden agruparse en una red mesh. Redes que abarcan múltiples nodos se comunican directamente entre capas sin intervención de CPU, aunque ciertas cargas de trabajo no-CNN aún requieren soporte de CPU. La IP puede escalar a 20 nodos, permitiendo modelos más grandes ejecutarse en múltiples pasadas en hardware más pequeño.

Nodos de cuatro NPUs de BrainChip conectados por una red mesh. (Fuente: BrainChip)

Un video demo mostró Akida en cabina de vehículo: un chip simultáneamente detectaba al conductor, reconocía su rostro e identificaba su voz. La detección de palabras clave requería solo 600 µW, reconocimiento facial 22 mW, e inferencia visual de palabra de activación 6‑8 mW —demostrando la idoneidad del chip para IA automotriz en el borde.

Rob Telson, vicepresidente de ventas mundiales de BrainChip, señaló que el proceso TSMC de 28 nm de Akida proporciona una base sólida, y los clientes de IP pueden moverse a nodos más finos para aún mayor eficiencia energética. También destacó el aprendizaje on-chip para reconocimiento facial: con suficientes neuronas en la capa final, un sistema puede crecer de reconocer 10 rostros a más de 50 con aprendizaje one-shot, eliminando dependencia de la nube.

Clientes de acceso temprano

BrainChip emplea 55 personas en su sede en Aliso Viejo, CA, y oficinas de diseño en Toulouse, Francia; Hyderabad, India; y Perth, Australia. La compañía posee 14 patentes, cotiza en la bolsa australiana y está listada en el mercado OTC de EE. UU.

Clientes de acceso temprano incluyen NASA, automotriz, militar, aeroespacial, médico (p. ej., detección olfativa de COVID‑19), y empresas de electrónica de consumo. Renesas ha licenciado una IP NPU Akida de 2 nodos para integración en futuras unidades de microcontrolador destinadas a análisis de datos de sensores en despliegues IoT.

Akida IP y silicio están disponibles ahora.

>> Este artículo se publicó originalmente en nuestro sitio hermano, EE Times.

Contenido relacionado

• Startup mete 1000 núcleos RISC‑V en chip acelerador IA
• Chip IA apunta a dispositivos de borde de bajo consumo
• SoCs habilitados para IA manejan múltiples flujos de video
• Construyendo seguridad en un SoC IA usando características de CPU con extensiones
• Arquitecturas de microcontrolador evolucionan para IA

Para más contenido de Embedded, suscríbete al boletín semanal de Embedded.