创新神经形态架构！Innatera 首款商用 MCU 重塑传感器应用格局

荷兰的 Innatera 公司在电子行业掀起了一场风暴，推出了第一款采用神经形态架构的商用微控制器，这一创举专为传感器应用量身打造。

这款名为 Pulsar 的芯片采用了异构架构，将模拟和数字神经形态模块与传统的卷积神经网络加速器和 RISC - V 内核巧妙结合。与传统 AI 处理器相比，其性能表现堪称卓越，延迟降低了 100 倍，功耗降低了 500 倍。芯片尺寸仅为 2.6 x 2.8 毫米，采用台积电标准 28 纳米工艺制造，批量成本不到 5 美元，在成本和性能上实现了绝佳的平衡。

Innatera 联合创始人兼首席执行官 Sumeet Kumar 向 eeNews Europe 表示：“Pulsar 不仅仅是一款 AI 芯片，它是世界上第一款量产的神经形态微控制器，代表着我们将智能带到边缘的根本性转变。” 当前传感器市场呈现出爆发式增长态势，去年传感器出货量达 380 亿个，预计到 2030 年将增长至 600 亿个。所有这些传感器生成数据的速度都将快于我们将其发送到云端的速度，这使得边缘处理不再是可选项，而是必然趋势。然而，目前部署在微控制器上的模型有限，应用程序开发人员必须在功能、精度和功耗之间做出艰难权衡。

此次 Pulsar 芯片的发布，是 Innatera 十余年在神经形态计算领域深入研究和工程的巅峰之作，融合了突破性的异构架构。它标志着受大脑启发的技术已准备好进行大规模市场部署，实际上成为了传感器所需的唯一微控制器。

其模拟神经网络 (ANN) 核心利用时间电压脉冲识别模式并提取信息进行时间序列处理，无需复杂模型。Kumar 介绍：“ANN 加速器完全利用脉冲进行计算，它由大量神经元和突触构成，并配备模拟和数字设备，延迟仅为 1ms，功耗低于 1mW。” 在这种独特的结构中，一个由电容器组成的纵横网络起到关键作用，其过程不是线性的，而是指数级的，在模拟域中，用单个晶体管就能轻松实现。加入数字脉冲神经网络是为了实现可配置性和灵活性，通过门电路和乘法器来达成。计算是异步的、事件驱动的，可在数据输入的任何时间进行，与传统 CNN 一次性获取所有数据并计算的方式截然不同。

许多客户现有的人工智能模型可以直接切换到 Pulsar 芯片。传统的 CNN 通常将所有数据视为带缓冲的图像，非常耗电，而脉冲网络可以高效处理流数据。例如，一个用于手势识别的 1m 参数 CNN 模型可以用一个 10,000 参数、3KB、54 个神经元的模型来实现，而且功耗极低。

在实际应用中，该芯片的优势也十分明显。无线耳机在保持 90% 以上准确率不变的情况下，每次音频感知分类的推理功耗降低了 100 倍至 400 µW，而模型体积却缩小了 33 倍。在保持准确率和延迟不变的情况下，声音识别的每次推理功耗降低了 88 倍。使用雷达进行手势识别的功耗比 CNN 加速器降低了 42 倍（功耗为 600 µW），延迟降低了 167 倍。

芯片设计的关键部分还包括与传感器（包括摄像头和医疗传感器）的接口。此外，名为 Talamo 的软件设计套件 (SDK) 以及用于脉冲网络的库也是重要要素。“Talamo SDK 旨在与 PyTorch 交互，其扩展引入了所有脉冲基础设施，因此开发人员处于熟悉的环境中，并且模型描述与训练数据一起采用 Python 编写，我们的 SNN 编译器将模型映射到芯片架构上，这从根本上降低了神经形态计算的障碍，使得在框架上构建和部署脉冲模型变得容易。”

Innatera 即将推出其开发者计划，目前已面向早期采用者开放，并将于 7 月推出一款神经形态开发板。即将推出的开源 PyTorch 前端和市场将为神经形态 AI 打造一个更具协作性的生态系统，为传感器应用领域带来更多的创新和发展机遇。