Innatera发布首款神经形态AI芯片，瞄准超低功耗边缘应用

专注脉冲神经网络（SNN）神经形态AI加速器的荷兰初创公司Innatera，已流片首款芯片、完成性能基准测试，并披露关键架构细节。

公司还宣布Cadence和Synopsys联合创始人Alberto Sangiovanni-Vincentelli加入董事会任主席。他现任UC Berkeley教授，拥有数十年行业经验。

Innatera芯片设计用于加速音频、健康、雷达应用的不同SNN（图片：Innatera）

脉冲神经网络的独特计算范式

区别于传统AI模型，SNN模仿大脑脉冲活动，利用电脉冲精确时序进行模式识别。因这一独特计算范式，SNN需要能高效处理时间序列数据且功耗极低的专用硬件。

许多竞争对手如Prophesee瞄准图像视频流，Innatera聚焦音频（语音识别）、健康（生命体征监测）、雷达（隐私保护的老人跌倒检测）。这些领域依赖连续时间序列数据，要求传感器节点极严苛功耗包络。

Marco Jacobs（图片：Innatera）

“我们的阵列擅长处理时间序列数据，这是音频、健康、雷达应用的核心，”市场与业务发展VP Marco Jacobs表示，“鲜有方案能有效解决这些需求。”

Innatera测试显示每个脉冲事件能耗低于皮焦耳——在台积电28nm工艺下低于200fJ，接近生物神经元能耗。CEO Sumeet Kumar称，典型关键词识别任务每推理需少于500个脉冲，功耗低于毫瓦级。

神经元簇发放（点群）代表语音音素检测。输入噪声增加时，相同簇大多仍存在但更难识别（图片：Innatera）

处理架构

Innatera处理器采用大规模并行神经突触阵列配合脉冲编解码器，在模拟/混合信号域运行以保持连续时间动力学。

Innatera脉冲神经处理器包含大规模并行神经突触阵列和脉冲编解码器（图片：Innatera）

架构强调可编程性，通过SDK实现灵活神经元连接和细粒度脉冲时序调整。这种灵活性对在硅中复现大脑复杂网络拓扑、优化多样SNN工作负载性能至关重要。

神经元和突触用模拟硅实现，以维持超低功耗并允许连续时间状态保持——纯数字电路离散化这些任务代价高昂。“模拟域天然保持状态信息，无需将其编码进网络拓扑，”Kumar说。

Innatera阵列计算段，神经元精心匹配。可编程突触排列多级交叉开关结构。（黑线/虚线代表输入输出脉冲）（图片：Innatera）

为缓解制造变异，Innatera将神经元分组为紧密匹配段，确保阵列确定性行为。SDK软件补偿残余失配，让开发者专注应用逻辑而非底层校准。

应用专用聚焦

Innatera源自代尔夫特理工大学，2020年底获500万欧元（约600万美元）种子轮融资。公司已与营收客户合作，在转向硬件前交付成熟SNN算法。

“我们是算力解决方案公司，”Kumar说，“提供结合硬件与应用专用SNN算法的交钥匙方案。”

首款芯片已针对音频、健康、雷达用例验证，路线图可能引入针对各领域的进一步优化。“架构支持跨应用广泛SNN，但我们将持续针对深度领域集成优化硬件，”Kumar补充。

首批芯片样片预计2021年底前出货。

> 本文最初发表于我们的姊妹网站EE Times。

相关内容：

• AI芯片瞄准低功耗边缘设备
• 工具链、传感器板增强AI芯片生态
• 新AI加速模块提升边缘性能
• 边缘AI：2021年关注点
• 如何在MCU上实现AIoT

订阅Embedded周报，获取更多嵌入式内容。