神经网络芯片研究进展

本文讨论了神经网络芯片的研究进展，重点介绍具有代表性神经网络芯片的结构、功能及应用领域，分析芯片的特性，并讨论了神经网络芯片研究的发展趋势。

基于专利分析和文献计量的我国神经网络芯片发展研究

神经网络芯片是人工智能硬件的核心,技术门槛高,市场前景广阔,是人工智能领域竞争的焦点。为厘清我国神经网络芯片的发展态势,采用专利分析和文献计量的方法,从神经网络芯片的发展趋势、重点技术领域、区域分布、优势机构、重要专利、重点技术路线等方面开展我国神经网络芯片发展态势研究。研究结果表明:我国的神经网络芯片已进入高速发展期,中科院计算所、寒武纪、旷视等企业的专利申请量排名前列,国内企业、高校、科研院所在深度神经网络处理器、神经形态处理器等六大技术路线均有专利布局,但是我国整体上在集成电路上的研究起步较晚,专利技术缺乏核心竞争力,从而提出促进我国神经网络芯片高质量发展的对策建议。

美国开发出新型忆阻器神经网络芯片

受哺乳动物视觉系统的启发，美国密歇根大学的研究人员开发出一种新型“忆阻器”计算机电路芯片原型。其具备快速处理图像和视频等复杂数据信息的能力，处理速度比现有最先进的系统快几个数量级且功耗更低，有望应用于自动驾驶汽车等自主系统。

美国开发出新型忆阻器神经网络芯片

美国密歇根大学开发出一种新型“忆阻器”计算机电路芯片原型，具备处理诸如图像和视频等复杂数据信息的能力，其处理速度比现有最先进的系统快好几个数量级且功耗也非常低。更加快速的图像处理能力对于自动驾驶汽车等自主系统来说至关重要。

基于dropout算法的卷积神经网络单粒子翻转容错方法

空间辐照干扰尤其是单粒子翻转(SEU)效应对神经网络芯片的正常稳定运行造成很大影响,它会导致存储在芯片SRAM存储器的权重参数随机发生比特位翻转,进而神经元的权重参数值发生变化,直接影响神经网络芯片输出的准确度。在分析现有的一些抗辐照干扰方法基础上,针对芯片硬件开销、恢复时间与处理速度的问题,利用软件仿真研究在不同比例权重参数出错的情况下神经网络的测试准确度,就结果准确度下降的情况,采用dropout算法构建新的网络框架,以一定概率屏蔽受到SEU影响的神经元。仿真实验结果表明,该方法可以提升受SEU干扰神经网络的准确度。

低功耗神经网络计算芯片技术研究

当前人工智能引发了全球的热潮,它涵盖了图像识别、视频检索、语音识别、自动驾驶等各类智能应用.在人工智能算法中,神经网络算法扮演着举足轻重的作用,也成为了当前的研究热点.但是神经网络算法本身具有灵活性高、计算复杂、数据量大的特点,这也对计算平台提出了高性能、低功耗、高灵活性及高存储等方面的需求.针对神经网络专用芯片,本文提出了可重构硬件架构来满足神经网络的灵活性需求,以可重构架构为基础的Thinker系列可以执行多类神经网络运算.在该架构基础上,本文探究了相应的数据访存优化方案来降低功耗.在存储系统优化方面,基于eDRAM的神经网络加速方案和计算存储一体化ReRAM方案可以满足神经网络计算在存储性能及低功耗方面的需求,它们配合可重构硬件架构可以实现全新的神经网络加速框架.在高效计算方面,本文针对低比特神经网络的标准卷积计算提出基于积分和基于滤波器拆分特征重建的优化方案,以此满足高性能需求.

神经机理，仿真及在图像处理中的应用

对神经机理，仿真和其在图像处理中的应用进行初步探讨，并提出了将其应用于广播电视技术中的想法。

新思科技为下一代AI芯片设计推出Platform Architect Ultra

新思科技推出适用于下一代架构探索、分析和设计的解决方案Platform Architect Ultra,以应对人工智能(AI)系统级芯片(SoC)的系统挑战。此解决方案支持神经网络芯片根据数据中心或嵌入式设备可用功耗和性能预算,平衡所需卷积神经网络(CNN)的吞吐量。Platform Architect Ultra灵活映射CNN算法和数据吞吐流量,以探索处理和内存架构方案,使架构师能够分析、选择、优化、调整算法和架构,以满足性能和功耗要求。

泓观科技推出异步AI芯片

近日,泓观科技有限公司发布了其首款异步卷积神经网络芯片,该芯片是面向物联网（IoT）领域的超低功耗异步人工智能（AI）芯片.

新思科技推出Platform Architect Ultra满足下一代AI芯片设计需求

新思科技日前宣布,推出适用于下一代架构探索、分析和设计的解决方案Platform Architect?Ultra,以应对人工智能(AI)系统级芯片(SoC)的挑战。此解决方案支持神经网络芯片根据数据中心或嵌入式设备可用功耗和性能预算,平衡所需卷积神经网络(CNN)的吞吐量。Platform Architect Ultra灵活映射CNN算法和数据吞吐流量,以探索处理和内存架构方案,使架构师能够分析、选择、优化、调整算法和架构,以满足性能和功耗要求。

阿里自研芯片将面世,突破算力瓶颈

9月19日,阿里巴巴CTO、达摩院院长张建锋在2018云栖大会上介绍,阿里将把此前收购的芯片公司——中天微系统有限公司和达摩院自研芯片业务相结合,整合成一家芯片公司——平头哥半导体有限公司,希望通过自研的强大的技术平台和生态系统整合能力,推动国产自主芯片的产业化落地。而今年4月,达摩院宣布正研发一款神经网络芯片——Ali—NPU,该芯片运用于图像视频分析、机器学习等AI推理计算,其性能功耗比是同类产品的40倍。这款AI芯片预计明年下半年面世,首批芯片将应用在阿里数据中心、城市大脑和自动驾驶等云端数据场景中。未来将通过阿里云对外开放使用,使得语音识别、图像识别等AI能力可以在云端使用。

适配PAICORE2.0的硬件编码转帧加速单元设计

为了解决北京大学脉冲神经网络芯片PAICORE2.0类脑终端系统中软件编码和转帧过程速度较慢的问题,提出一种硬件加速方法。通过增加硬件加速单元,将Xilinx ZYNQ的处理系统PS端串行执行的软件编码转帧过程转移到可编程逻辑PL端的数据通路中流水化并行执行。硬件加速单元主要包含高度并行的卷积单元、参数化的脉冲神经元和位宽平衡数据缓冲区等。实验结果表明,该方法在几乎不增加数据通路传输延迟的前提下,可以消除软件编码和转帧过程的时间开销。在CIFAR-10图像分类的例子中,与软件编码和转帧方法相比,硬件编码转帧模块仅增加9.3%的LUT、3.7%的BRAM、2.6%的FF、0.9%的LUTRAM、14.9%的DSP以及14.6%的功耗,却能够实现约8.72倍的推理速度提升。

中国人工智能三年(2018—2020)国家战略公布:重点发展八大智能产品

2017年底国家工信部发布《促进新一代人工智能产业发展三年行动计划(2018年—2020年)》:在2018年—2020年这三年内,重点推动人工智能和实体经济深度融合,推进人工智能技术产业化、集成应用;重点应用包括智能网联汽车、服务机器人、AI医疗影像等八大类人工智能产品;重点突破包括AI芯片在内的三大核心人工智能技术;同时完善5G、算法训练数据库等人工智能配套体系,为2020年中国人工智能行业发展制订了详尽的宏伟蓝图。

Fitting V F Converter*ss Output Using High Order Neural Networks

A new method is presented in this paper for fitting VFC*ss (voltage to frequency converter) output functions by using high order neural networks. The nonlinear estimation is implemented when the VFC110 is used at a full scale output frequency of 4 MHz. Two kinds of on line dynamic calibrating circuits are designed to improve the sampling precision. This method can also be applied to different industrial applications.

工信部印发《促进新一代人工智能产业发展三年行动计划（2018—2020年）》提出四方面任务

2017年12月14日，工业和信息化部印发了《促进新一代人工智能产业发展三年行动计划（2018—2020年）》。按照“系统布局、重点突破、协同创新、开放有序”的原则，提出了四方面主要任务：一是重点培育和发展智能网联汽车、智能服务机器人、智能无人机、医疗影像辅助诊断系统、视频图像身份识别系统、智能语音交互系统、智能翻译系统、智能家居产品等智能化产品，推动智能产品在经济社会的集成应用。二是重点发展智能传感器、神经网络芯片、开源开放平台等关键环节，夯实人工智能产业发展的软硬件基础。

人工智能将来会如何应用于智能锁中

刚刚过去的2017年对于人工智能来说可以说是发展的元年，很多手机厂商都将神经网络芯片加入到手机处理器当中，作为与CPU协同工作的一个处理单元。而在手机上，现在来看并不成熟的人工智能带给人们的方便还并不明显，多数都只建立在对于拍照、文字处理等工作的协助上。

Kneron将推出3D人工智能方案 普及AI应用

美国耐能（Kneron）公司成立于2015年,为终端人工智能技术的领导厂商,致力于设计及开发软硬件整合的终端人工智能解决方案,可应用在智能家居、智能安防、智能手机、机器人和无人机,以及各种物联网的终端设备上。Kneron的核心技术是研发出一种高效率、低耗电的神经网络芯片（NPU：Neural Processing Unit）,把人工智能从云端转移至终端设备,进行实时识别与判断分析，开拓人工智能应用于不同层面的无限可能。

心有灵犀一点通

如果电脑能够看见你并对你的动作产生反应,那么鼠标将变得画蛇添足,你将对此有何感受?Synaptics(加利福尼亚SanJose的一家公司,正致力于直观计算的结构蓝图)正在开发的神经形态(neuromorphic)软件技术也许会将上述情形变为现实。换句话说。

智能时代的脑科学与类脑智能研究

以智能科技为核心技术、智能算力为生产力的智能时代再次把脑科学推向世界科学与技术前沿。脑科学是研究人、动物和机器的认知与智能的本质和规律的科学。对神经系统结构和功能联结规律进行全面解析将最终绘制成脑功能联结图谱,近10多年来神经科学研究致力于系统性地解析神经系统的神经元类型和神经结构连接,在单细胞转录组分析、神经网络结构示踪等技术推动下取得了阶段性进展。解析人类大脑这一最为复杂的信息和智能系统,会启迪类脑智能理论和类脑智能技术,即脑科学/神经科学启发的智能理论和技术。在智能时代,脑科学研究的多学科交叉研究范式促使脑机接口、类脑智能计算等类脑智能研究领域加入脑科学。脑机接口的神经解码和编码技术为绘制人脑功能神经网络图谱提供了重要的功能研究技术和方法,并且可探索在脑疾病临床诊治上的应用。类脑计算正成为脑科学研究的一种新范式,借鉴脑处理信息和学习的基本原理发展高能效、高速和智能的新型类脑计算系统,利用发展的类脑计算系统可以加速发展脑模拟和数字大脑,促进理解大脑运行机制和治疗脑疾病,发展数字脑科学和脑医学。新近出现的脉冲神经网络智能处理器为构建大规模类脑智能计算系统奠定了基础,未来类脑超级算力极可能超过人类大脑算力,影响智能科技变革和人类社会发展。

多媒体技术研究:2015——类脑计算的研究进展与发展趋势

目的类脑计算,是指仿真、模拟和借鉴大脑神经网络结构和信息处理过程的装置、模型和方法,其目标是制造类脑计算机和类脑智能。方法类脑计算相关研究已经有20多年的历史,本文从模拟生物神经元和神经突触的神经形态器件、神经网络芯片、类脑计算模型与应用等方面对国内外研究进展和面临的挑战进行介绍,并对未来的发展趋势进行展望。结果与经典人工智能符号主义、连接主义、行为主义以及机器学习的统计主义这些技术路线不同,类脑计算采取仿真主义:结构层次模仿脑(非冯·诺依曼体系结构),器件层次逼近脑(模拟神经元和神经突触的神经形态器件),智能层次超越脑(主要靠自主学习训练而不是人工编程)。结论目前类脑计算离工业界实际应用还有较大差距,这也为研究者提供了重要研究方向与机遇。