Brainchip lance un NPU à très faible consommation d’énergie
Brainchip a annoncé Akida™ Pico, un NPU qui réduit considérablement les exigences en matière de puissance et de taille. Il cible les produits fonctionnant dans la gamme μW à mW toujours en marche alimentés par batterie avec des cas d’utilisation qui nécessitent de longues durées de vie opérationnelle.
L’Akida Pico NPU se présente comme le coprocesseur d’accélération de plus faible puissance qui permet de créer des dispositifs portables et intelligents très compacts, à très faible consommation d’énergie, pour les applications d’IA intégrées dans les vêtements et les capteurs, dans les domaines de la consommation, de la santé, de l’IdO, de la défense et de l’éveil.
Akida Pico accélère les modèles de réseaux neuronaux à usage limité et spécifiques à chaque cas pour créer une architecture purement numérique et ultra-énergétique. Le NPU permet une personnalisation sécurisée pour des applications telles que la détection de réveil vocal, le repérage de mots-clés, la réduction du bruit de la parole, l’amélioration de l’audio, la détection de présence, l’assistant vocal personnel, la sonnette automatique, l’IA vestimentaire, les interfaces vocales des appareils électroménagers et bien plus encore.
La dernière innovation de BrainChip s’appuie sur le moteur de configuration de la plate-forme informatique basée sur les événements Akida2, qui peut s’exécuter avec une puissance adaptée à un fonctionnement sur batterie de moins de 1 mW. Akida Pico fournit une empreinte économe en énergie pour réveiller les microcontrôleurs ou les processeurs de systèmes plus importants, avec un réseau neuronal pour filtrer les fausses alarmes afin de préserver la consommation d’énergie jusqu’à ce qu’un événement soit détecté. Le NPU convient parfaitement aux concentrateurs de capteurs ou aux systèmes qui doivent être surveillés en permanence en utilisant uniquement l’énergie de la batterie, avec un besoin occasionnel de traitement supplémentaire de la part d’un hôte.
Le flux logiciel exclusif MetaTF™ de BrainChip permet aux développeurs de compiler et d’optimiser leurs réseaux neuronaux spécifiques à capacité temporelle (TENN) sur l’Akida Pico. Grâce à la prise en charge par MetaTF des modèles créés avec TensorFlow/Keras et Pytorch, les utilisateurs évitent d’avoir à apprendre un nouveau cadre de langage machine tout en développant et en déployant rapidement des applications d’IA pour l’Edge.
Parmi les avantages de l’Akida Pico, on peut citer
- Noyau NPU autonome à très faible consommation (moins de 1 mW)
- Prise en charge des îlots de puissance pour une alimentation en veille minimale
- Environnement de développement conforme aux normes industrielles
- Très petite surface de la matrice logique
- Optimisation de la taille globale de la puce grâce à une mémoire tampon de données configurable et à une mémoire de paramètres de modèle.
« Comme toutes nos plateformes Edge AI enablement, Akida Pico a été développée pour repousser les limites du calcul sur puce de l’IA avec une faible latence et une faible consommation requises pour les applications neuronales « , a déclaré Sean Hehir, PDG de BrainChip. « Que vous ayez une expertise limitée en matière d’IA ou que vous soyez un expert en développement de modèles et d’applications d’IA, Akida Pico et la plateforme de développement Akida offrent aux utilisateurs la possibilité de créer, d’entraîner et de tester les réseaux neuronaux basés sur les événements temporels les plus efficaces en termes de puissance et de mémoire, de manière plus rapide et plus fiable. »
Akida de BrainChip est une plateforme de calcul basée sur les événements, idéale pour la détection précoce, les cas d’utilisation à faible latence sans ressources de calcul massives pour la robotique, les drones, l’automobile et les systèmes traditionnels de détection-classification-piste. BrainChip propose une gamme de logiciels, de matériels et de produits IP qui peuvent être intégrés dans des conceptions existantes et futures, avec une feuille de route permettant aux clients de déployer des modèles d’IA multimodaux à la périphérie.
Si vous avez apprécié cet article, vous aimerez les suivants : ne les manquez pas en vous abonnant à :
