AGIC实现AI边缘运算的关键技术——内存内运算(IMC)

作者: AGI Corporation (AGIC) 公司 Ursamajor Chen, May 31, 2019 – 由于高功耗与高硬件需求，GPU/TPU运算也许不是新一代AIoT最适合的方案，取而代之的是AI边缘运算技术(又称边际运算)。对AI边缘运算而言，利用模糊数学 (Fuzzy mathematics) 运算即可达到目的，硬件需求将大幅降低。对此，科学家们尝试开发16位或8位、符合AI ASIC架构的低位处理器，将须采用具模拟内存的内存内运算技术 (In-Memory Computing；IMC)，方可实现低功耗的实时运算。

内存内运算 (IMC) 是新兴架构，已在AI深度学习领域中引领风潮。与传统计算机计算方式不同，透过改变权重值，应用类神经网络系统的IMC，即可达到高速平行运算，其关键就是模拟内存。拜新科技所赐，新型电阻式非挥发内存 (Non-Volatile Memory；NVM)，如磁性内存 (Magnetic Random Access Memory；MRAM)、相变化内存 (Phase Change Memory；PCM) 和铁电内存 (Ferroelectric RAM；FRAM) 可以用作模拟内存，然而与标准CMOS制程相比，新技术需要更多制程步骤与材料，极难量产。

埃捷克粒子动量可使模拟OTP成真

模拟OTP内存可帮助传感器进行实时的边缘运算，同时降低硬件复杂性。透过边缘运算将数据预先处理、分类后，再由传感器送至云端服务器处理，不仅可以降低云端服务器的负载，还能提供更实时的运算结果。

根据最新的测试成果，AGIC团队将说明如何使用埃捷克粒子动量 (AGIC Particle Momentum) 打造模拟OTP内存。如表一所示，AGIC C-Fuse可通过调整能量和时间，精确控制电阻值，更提高良率，解决传统爆炸方法引起的问题。下一阶段，AGIC团队将致力于实现模拟OTP内存的线性度、精准度和可靠度。

表一：能量、OTP电阻和时间的关系

*R = 初始阻值；*T = 标准化时间单位

关于AGIC (Artificial General Intelligence Cosmos IP total solution)：

AGIC C-Fuse OTP的优势：

1. Smaller area to lower the cost for silicon wafer.
2. No charge pump (CP) required.
3. Field programmability during system development.
4. Density supports a widely range from 8K to 4M bits.
5. Low voltage/current PGM and read.
6. High-Temp Immunity (>650°C~1000°C) and high reliability from -55°C to 175°C.
7. Supporting BCD/BJT/DRAM/Flash/CDMOS/MS and HV processes for analog, power and LCD/OLED/Touch Panel applications.
8. Long-life data retention.
9. Require very lower power consumption.
10. High security and difficult-to-reverse engineer.

欢迎参观我们的网站也可以与我们联络做进一步技术讨论与商业合作。

更多详情请造访AGIC：www.agicip.com

联络窗口：Sales@agicip.com