BrainChip、エッジAI向けAkidaニューロモーフィック開発キットを発表

大手ニューロモーフィックコンピューティングIPプロバイダーのBrainChipが、最近のLinley Fall Processor Conferenceで、AkidaニューロモーフィックSoCを搭載した2つの新しい開発キットを発表しました。キットはx86 Shuttle PCフォーマットとArmベースのRaspberry Pi設計で提供され、開発者にスパイキングニューラルネットワーク（SNN）アプリケーションの構築とテストのための即戦力プラットフォームを提供します。Akidaシリコンはカスタム設計への統合も可能です。

Akidaのニューロモーフィックアーキテクチャ

Akidaのニューロモーフィックアーキテクチャは、脳のイベント駆動処理を模倣することで超低消費電力AIを実現します。従来のディープラーニングモデルとは異なり、SNNは空間パターンと時間シーケンスの両方をエンコードする離散スパイクを通じて情報を伝達します。このイベントドメインは、センサーストリームからリアルタイムで電力を意識した推論を必要とするエッジデバイスに最適です。

ネイティブSNNワークロードに加え、BrainChipのニューラル処理ユニット（NPU）は、イベントドメインに変換した後、畳み込みニューラルネットワーク（CNN）を実行できます。この変換はMetaTFソフトウェアフローで実行され、CNNの特徴抽出能力を維持しながら、スパイクタイミング依存可塑性によるオンチップ学習を可能にし、クラウドベースの再学習を不要にします。

BrainChipの開発ボードはx86 Shuttle PCまたはRaspberry Piで利用可能。（出典：BrainChip）

「Akidaは明日のニューロモーフィック技術に対応していますが、今日のエッジAI課題をすでに解決しています」と、BrainChip共同創業者兼最高開発責任者のAnil Mankar氏はEE Timesに語っています。「当社のランタイムソフトウェアは、SNNとイベントドメインに関する学習曲線を取り除き、TensorFlowやKerasに慣れた開発者がモデルを移植し、電力と精度を直接ハードウェア上で評価できるようにします。」

Mankar氏によれば、CNNは大規模データセットからの特徴抽出に優れます。最終分類レイヤーを除くCNNレイヤーをイベントベース操作に変換することで、Akidaはこの能力を維持しながらスパイクタイミング学習を追加します。ネイティブSNNは1ビット精度を使用可能ですが、変換されたCNNは通常1、2、または4ビットスパイクを使用。BrainChipの量子化ツールが設計者にレイヤーごとの適切なビット幅選択を支援します。例えば、4ビットに量子化されたMobileNet V1モデルが10クラス分類タスクで93.1%の精度を達成しました。

イベントドメインへの変換は、スパース性により大幅な省電力ももたらします。イベントドメインでは、非ゼロ活性化値のみがスパイクを生成し、NPUはそれらのイベントのみを処理します。典型的なCNNでは、ReLU後で活性化の約半分がゼロになるため、イベントベース実装ではMAC演算数が劇的に削減され、消費電力が低下します。

畳み込み、ポイントワイズ畳み込み、デプスワイズ畳み込み、最大プーリング、グローバル平均プーリングなどの機能はすべてイベントドメインに変換可能。以下の図は、オブジェクト分類タスクにおけるMAC演算削減を示します：濃い青が従来のCNN、薄い青がイベントドメイン/Akida実装、緑が更なるアクティビティ正則化を示します。

オブジェクト分類推論に必要なMAC演算（濃い青は非イベントドメインのCNN、薄い青はイベントドメイン/Akida、緑は更なるアクティビティ正則化付きイベントドメイン）。（出典：BrainChip）

実世界のベンチマークでは、Akidaボード上で4ビット量子化後のキーワードスポッティングモデルが、推論あたりわずか37µJ（1ワットあたり毎秒27,336推論に相当）を消費。5MHzの控えめなクロックで動作しながら91.3%の精度を達成しました。

センサーに依存しない設計

BrainChipのNPU IPとAkidaチップはネットワークに依存せず、幅広いセンサーをサポートします。画像、音声、嗅覚、味覚、触覚データのいずれを処理する場合も、同じハードウェアでCNN（変換経由）とネイティブSNNの両方を処理できます。

各NPUノードはパラメータ、活性化、イベントバッファ用に100kBのローカルSRAMを備え、最大4ノードをメッシュネットワークにクラスタリング可能。複数ノードにまたがるネットワークはCPU介入なしでレイヤー間直接通信が可能ですが、特定の非CNNワークロードには依然としてCPUサポートが必要です。IPは20ノードまでスケール可能で、より大きなモデルをより小さなハードウェアで複数パス実行できます。

4つのBrainChip NPUノードがメッシュネットワークで接続。（出典：BrainChip）

デモビデオでは、車両キャビンでのAkidaを紹介：1つのチップがドライバーの検出、顔認識、音声識別を同時に実行。キーワードスポッティングに600µW、顔認識に22mW、視覚的ウェイクワード推論に6〜8mW——自動車エッジAIへの適合性を示しています。

BrainChipのワールドワイドセールス担当バイスプレジデント、Rob Telson氏は、Akidaの28nm TSMCプロセスが強力なベースラインを提供し、IP顧客はさらに微細なノードに移行して更なる省電力化が可能と指摘。また、顔認識のオンチップ学習を強調：最終レイヤーに十分なニューロンがあれば、システムは10顔認識からワンショット学習で50顔以上に拡張可能で、クラウド依存を排除します。

早期アクセス顧客

BrainChipは、カリフォルニア州アルイソビエホの本社と、フランス・トゥールーズ、インド・ハイデラバード、オーストラリア・パースの設計オフィスで55名のスタッフを雇用。14件の特許を保有し、オーストラリア証券取引所に上場、米国OTC市場にも上場しています。

早期アクセス顧客にはNASA、自動車、軍事、航空宇宙、医療（嗅覚によるCOVID-19検出など）、コンシューマーエレクトロニクス企業が含まれます。ルネサスは、IoT展開におけるセンサーデータ分析向け将来のマイクロコントローラユニットへの統合を目的として、2ノードAkida NPU IPをライセンスしています。

Akida IPとシリコンは現在利用可能です。

>> この記事は姉妹サイトEE Timesで最初に公開されました。

---

関連コンテンツ：

• スタートアップ、AIアクセラレータチップに1000 RISC-Vコアを搭載
• 低消費電力エッジデバイス向けAIチップ
• AI搭載SoCが複数ビデオストリームを処理
• CPU機能と拡張を用いたAI SoCへのセキュリティ構築
• AI向けマイクロコントローラアーキテクチャの進化

Embeddedの週刊メールニュースレターを購読して、さらに多くの情報を入手してください。