美國AI晶片新創公司 Rain Neuromorphics 在A輪募資中成功募得美金250萬,投資者包含OpenAI共同創辦人兼執行長Sam Altman以及臉書創始工程師Jeff Rothschild。在過去六輪募資中,Rain已經募得總共3000萬美元的資金。

AI時代,現有電腦架構美中不足

面對人工智慧(AI)時代的到來,主流的電腦設計架構 – 又稱馮紐曼架構 (Von Neumann Architecture) – 已逐漸面臨設計上的侷限。當下,量子運算與神經型態運算(Neuromorphic computing)被認為是可能的替代方案。Rain Neuromorphics便在後者大放異彩。

創立於2017,Rain推出的神經型態處理器(Neuromorphic processing unit, NPU)結合了團隊開發出的平衡傳播(Equilibrium Propagation)訓練演算法與一個嶄新的類比晶片架構。與現有的AI系統相比,公司宣稱此軟硬體組合能大幅加快運算速度並減少能耗。

從硬體層面來看,Rain設計的NPU試圖模擬人腦神經細胞:晶片的CMOS層可比擬神經元,而團隊利用可變電阻式記憶體(Resistive RAM)作為憶阻元件(memristive),並將其與源自NAND型快閃記憶體的垂直位線(Vertical bit line)結合,模擬神經細胞上面的軸突。

軟硬整合,突破類比運算一大障礙?

確切來說,Rain Neuromorphics在軟硬整合上做出的突破有機會克服在類比硬體上運行神經網路的一大障礙。與邏輯晶片相比,利用全類比晶片進行AI訓練與推論可大幅減少功耗。雖然市面上已經有ASIC晶片利用憶阻元件作為記憶體單元,並達到優於CPU和GPU的功耗,但其中的數位類比轉換器(DAC)與類比數位轉換器(ADC) 仍十分耗能。此技術侷限也讓市面上的晶片難以承擔用於AI訓練所需的反向傳播法(Back-propagation)。

因此,如Rain技術長Kendall所言,其他類比晶片公司迴避AI訓練,反而專注於AI推論。為何Rain做得到?2020年,Rain團隊在與AI教父Yosha Bengio在一篇報告中揭露了雙方多年的合作心血:研究人員利用憶阻器的縱橫閂(crossbar)陣列來訓練神經網路,並成功迴避了ADC和DAC

此項突破也進而在硬體上實現了Bengio在2017年發明的平衡傳播演算法。Rain Neuromorphics 執行長Gordon Wilson在與「EETimes」的訪問中指出,當下神經型態演算主要基於棘波神經網路(Spiking Neural nNtworks,SNN),但其性能從未勝過反向傳播模型。反觀,平衡傳播演算法保留了反向傳播的優勢。

運算時間從微秒縮至奈秒!

Rain Neuromorphics 在2019年採用台積電180奈米製程試產了基於其類比架構的測試晶片MN3,並在2011年首次試產了結合公司自製軟硬架構的晶片。據公司所稱,未來產品將能縮至40奈米,首代晶片將在2025年開始量產,支持影像、聲音、自然語言處理,且能耗將低於50瓦。Rain之前展示的晶片也已顯著縮短執行AI推論(Inference)的速度,號稱能將運算時間從數百微秒縮至數百納秒。

本文開放夥伴轉載,資料參考:EETimes,圖片來源:Shutterstock