多氯联苯对机器学习的特定于应用程序的集成电路
关键的外卖
在过去的几年里,公司已经发布了asic支持特定的机器学习任务。
这些可以实现PCB /标准数字接口。
设计师将需要做出一些明智的设计选择来支持这些asic。
机器学习和人工智能(AI)的术语,通常误解,甚至由专业技术人员。软件世界得到的大部分注意力在人工智能和机器学习的发展,但是还有另一个重要的方面部署的机器学习模型经常被忽视的领域。在某种程度上,终端设备不能继续依赖云连最基本的机器学习推理任务,这些任务需要实例化的终端设备,或者他们需要执行在网络的边缘。
边缘服务器是一个选择从终端设备卸载机任务,但是这些单位基本上是简洁,非常具体的数据中心,为客户设备执行一组任务。进一步减少网络流量和开销,另一个选择是部署与应用程序特定的终端设备集成电路(ASIC)。行业早期开始认识到这种需要,已经开始应对需求和一些专门的特定于应用程序的集成电路与机器学习的能力。
设计师想要添加机器学习系统通过一个ASIC应该适当地计划他们的董事会支持这些功能布局和分层盘旋飞行。我们会看一些可用的机器学习功能asic在本文以及一些设计师可以采取实际步骤来建立董事会支持这些。
专用集成电路与机器学习的能力
所有ASIC实现高度专业化的数字逻辑,这可能是通过外部配置针和/或外部可编程数字总线接口与系统控制器(MCU、FPGA、ASIC,等等)。特定于应用程序的集成电路实现机器学习和人工智能是专门用于特定类型的推理任务和/或神经网络结构、意义的逻辑实现特定于人工智能计算标准数字逻辑。
当前类的asic今天关注执行神经网络推理计算直接在设备上。他们实现自己的处理器核心和逻辑块快速高效地执行这些计算,而相同的任务可能是权力和时间效率低下的一个典型的单片机组合和时序逻辑。这些芯片有时也被称为AI加速器,当他们实现机器学习算法快得多,不如主机处理器功耗。
系统架构
一个典型的系统级数码设计框图和一台机器learning-capable ASIC如下所示。
框图AI / ML-capable ASIC。
在这个框图,我们有一个主机控制器和嵌入式应用程序,或者它可能是直接在设备上运行嵌入式操作系统。这个主机控制器将采集数据发送给ASIC的推理任务。注意当前类的asic不是适合设备内置培训由于极端的计算需求和所需的数据;这是最好的在边缘或在云中,然后设备的应用程序可以更新一个新的模型。
一些元素在图中没有显示。首先,显然会有一些电源管理系统在硬件和软件实现。特定的接口机器学习ASIC没有显示,但这些可以低速配置(SPI、I2C、等)和高速发送和接收数据流(通常作为PCIe)。
为什么要使用一个ASIC和机器学习?
有几个原因为什么一个ASIC机器学习的核心将用于数字系统。这些包括一些点下面的列表:
减少应用程序的复杂性,作为所需的应用程序用来实现神经网络存在于ASIC中的推理任务而不是固件或软件。
减少处理器的要求,它允许主机控制器将资源分配给其他任务系统中,而不是使用推理的计算任务。这使得设计师能够选择一个更小的处理器。
确保正常运行时间;今天的系统,使用机器学习在设备上不做任何推理任务。相反,他们将其发送到云,结果收到本地处理。如果你想要一个设备生存没有网络连接,那么你必须在设备上执行推理任务。
重构性;实例化的神经网络在ASIC的一部分设备的配置,可以根据需要改变。更新网络可以提供一个web服务在云上,一个火车模型的边缘数据中心,或另一个设备。
多氯联苯与机器学习支持asic设计
这些设备操作使用一个高速数字接口(通常作为PCIe),应该设计成这样的。确保你遵循标准的高速PCB布局和路由指南为了确保信号的完整性。权力诚信也很重要,随着系统规模和IO数量规模;这些系统吸引更多权力在高速信号,所以过度的噪音可以辐射从董事会,除非正常生产和分层盘旋飞行的设计。一定要使用最好的设计软件可用来构建这些先进的系统和规模成批量生产。
如果你正在设计一个自定义PCB来支持一个特定于应用程序的集成电路与机器学习,你需要正确的PCB布局和设计软件。快板PCB设计者抑扬顿挫的全套的设计工具能帮上忙。
大型电子产品提供商依赖节奏产品优化能力,空间,能源需求为广泛的市场应用。如果你想了解更多关于我们的创新的解决方案,跟我们的专家团队或订阅我们的YouTube频道。