荷兰芯片厂商 Innatera 近日正式发布了第一款使用基于神经形态架构的商用RISC-V微控制器Pulsar ，主要用于AI传感器应用。

据介绍，Pulsar 是将模拟和数字神经形态模块与传统卷积神经网络加速器和 RISC-V 内核相结合。与传统的 AI 处理器相比，它的延迟降低了 100 倍，能耗降低了 500 倍，芯片尺寸为 2.6 x 2.8 毫米，采用台积电的标准 28nm 工艺制造。

△Innatera 展示 RISC-V 神经形态边缘 AI 芯片

“Pulsar 不仅仅是一款 AI 芯片——这也是世界上第一个量产的神经形态微控制器，代表了我们将智能带到边缘的方式的根本转变，”Innatera 的联合创始人兼首席执行官 Sumeet Kumar指出：“去年全球出货了 380 亿个传感器，到 2030 年将增长到 600 亿个，所有这些在边缘处理，都将比我们将其发送到云端的速度更快地生成数据，边缘处理将是大势所趋。但是，部署在微控制器上的模型受到限制，应用程序开发人员必须在功能、精度和功耗之间进行权衡。”

Sumeet Kumar表：“此次Pulsar的发布是十多年来在神经形态计算方面的深入研究和工程设计的结晶，并结合了开创性的异构架构。它标志着我们的类脑技术为大众市场部署做好准备的时刻。这实际上是传感器唯一需要的微控制器。”

模拟神经网络 （ANN） 内核使用时间电压脉冲来识别模式并提取信息以进行时间序列处理，而无需复杂的模型。Sumeet Kumar说：“ANN 加速器完全使用尖峰进行计算，它是一个由神经元和突触组成的大型结构，带有模拟和数字设备，延迟为 1ms，功耗低于 1mW。”

“在该结构中，关键是带有电容器的交叉开关网络，这个过程不是线性的，而是指数级的，这在模拟域中使用单个晶体管就很简单，”他说。“我们采用数字尖峰神经网络的原因是为了实现可配置性和灵活性——这是通过门和乘法器实现的。计算是异步和事件驱动的，计算在数据传入时随时进行。在 CNN 中，你可以一次获取所有数据并进行计算。”

“我们看到很多客户使用现有的 AI 模型，他们可以直接切换，但通常传统的 CNN 会像图像一样查看带有缓冲功能的所有内容，所有这些都需要大量功率，而峰值网络可以有效地处理流数据。例如，用于手势识别的 1m 参数 CNN 模型可以用 10,000 个参数、3kbyte、54 个神经元的模型来实现，而且功耗非常低。对于大多数应用程序问题，你必须选择 AI 方法，因此添加 CNN 开发人员可以为工作添加正确的工具，”他说。

他还指出，无线耳机每次推理的音频感应分类能量降低了 100 倍，达到 400 μW，模型缩小了 33 倍，准确率相同，达到 90%+。声音识别每次推理的能耗降低了 88 倍，而准确性和延迟相同。雷达手势识别的能量比 CNN 加速器低 42 倍（600 μW），延迟低 167 倍。

芯片设计的一个关键部分是具有与传感器的接口，包括摄像头和医疗传感器。另一个关键要素是名为 Talamo 的软件设计工具包 （SDK） 和用于尖峰网络的库。

“Talamo SDK 旨在通过一个扩展与 PyTorch 连接，该扩展引入了所有脉冲基础设施，因此开发人员处于熟悉的环境中，并且模型描述与训练数据一起以 python 编写，我们的 SNN 编译器将模型映射到芯片架构上，这从根本上减少了神经形态计算的障碍，从而可以轻松地构建脉冲模型并将其部署到框架上。”

Innatera 正在推出其开发人员计划，该计划现已向早期采用者开放，并于 7 月推出神经形态开发板。即将推出的开源 PyTorch 前端和市场将为神经形态 AI 创建一个更具协作性的生态系统。