高通“超低功率神经元形态人工智能计算加速器”专利解析

高通发明的超低功耗专用AI架构，其所使用的超低功耗工艺，可以有效节省能源，且相对于其他的通用架构，具有很高的实用性以及可移植性。

在2020CES展会上，高通展示了其在云端AI领域布局的产品：高通Cloud AI 100系列芯片，这个系列的芯片是高通开展云端AI产业的标志性事件，作为无线终端领域的佼佼者，也开始在云端应用领域发力。

而此前，高通除了无线通信芯片外，还设计了用于汽车无人驾驶、车内通讯、媒体信息娱乐系统和车辆连接系统等方面的芯片，这些芯片相对于手机、PC端的处理器，需要更加低的功耗以及可以面向专用设计平台。

而随着AI应用的兴起，对于支持AI任务的专用芯片逐渐受到人们的重视，高通在18年9月1日申请了一项名为“超低功率神经元形态人工智能计算加速器”的发明专利（申请号：201880053525.8），申请人为高通股份有限公司。

根据该专利目前公开的资料，让我们一起来看看这项超低功耗的专用AI处理架构吧。

如上图，为该专利中发明的使用包括超低功率神经元形态人工智能计算加速器的片上系统（SOC）来设计神经网络的示意图，该系统中包含有中央处理单元、图形处理单元、数字信号处理单元、专用存储块以及多种传感器系统。

这种硬件设计架构其实是一种专用的系统架构，其中包含有传感器和导航，可以应用在特定的领域，例如无人驾驶技术中，通过传感器采集路面数据，然后交给CPU和GPU进行数据处理，从而可以控制无人汽车的驾驶。

如上图，为深度卷积网络（DCN）的示意图，这是一种被设计成为图像捕捉的视觉特征识别设备，例如无人驾驶汽车上的摄像头系统。330为摄像头系统，可以为系统提供需要识别的图像，DCN（300）包括特征提取部分和分类部分，在收到图像时，卷积层可以进行卷积运算来对于图像进行处理得到特征图，最终得到处理结果，例如对于路况进行识别。

而这种运算，通常需要CPU和GPU的相互配合，大多是在软件层面进行计算，因此，为了满足高效率的计算需求以及低硬件开销，如果有专用的神经网络处理器，则很适合这种场景下。此外，该专利中还使用了超低电压工艺来制造局部功率管理器，从而可以实现占用处理器的超低功耗，有效提升续航。

如上图，就是具有人工智能计算加速器的神经处理器设计架构图，其中包括存储器块504、神经处理器502和程序存储器506，与神经网络计算相关的变量、突触权重、系统参数等信息可以被存储在存储器块中，而在神经处理器处执行的指令可以从程序存储器中加载。

现在深度神经网络要比约十五年前研究者使用的计算资源多数千倍，借助于这种专用的神经网络处理器，结合新型训练架构，可以进一步推进深度学习的性能，经过矫正的线性单元可减少被称为梯度消失的训练问题，新的训练技术可减少过度拟合问题，而将芯片进行封装的技术可以抽象出在感受野中的数据并进一步提升总体性能。

在无人驾驶技术中，由于车身空间有限，此外除了中控系统外，还需要安装大量的传感器，对于运算在本地进行的无人驾驶汽车来说，如果继续使用类似于PC端的架构以及使用通用AI运算系统，则无疑不利于空间的设计，而使用这种专用架构的方式，则可以很好的适用于这种专用的领域。

以上就是高通发明的超低功耗神经元形态人工智能计算加速器，这种专用AI处理架构，可以很好的应用在例如无人驾驶、实时视频监控等领域，其所使用的超低功耗工艺，可以有效的节省能源，提高设备的续航能力，相比于其他的通用架构，具有很高的实用性以及可移植性。

关于嘉德

深圳市嘉德知识产权服务有限公司由曾在华为等世界500强企业工作多年的知识产权专家、律师、专利代理人组成，熟悉中欧美知识产权法律理论和实务，在全球知识产权申请、布局、诉讼、许可谈判、交易、运营、标准专利协同创造、专利池建设、展会知识产权、跨境电商知识产权、知识产权海关保护等方面拥有丰富的经验。
责任编辑:tzh

加速器专利智能计算可移植性

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。