人工智能芯片植入人体应用及发展研究

随着科技的发展,人工智能的广泛应用,AI芯片也逐渐存在于人们的生活中,科学家正在研究AI芯片植入人体的技术,目前该技术已经有了部分应用,具有较好的应用前景,但是也存在不足。本文先分析AI芯片植入人体的应用现状,对现阶段该技术应用简要总结,其次描述该技术的应用发展前景,然后对其未来发展提出展望以及建议,未来植入式人工智能芯片可能广泛地被人们接受且大量应用。     

知识可编程智能芯片系统:概念、架构与展望

本文原创性地提出知识可编程智能芯片系统(KPI-CS)及其理论和工程体系.该系统在当前最先进的异构计算和可重构人工智能(AI)芯片技术的基础上,深度融合复杂系统工程理论、知识工程理论与技术、半导体芯片研发技术、人工智能可重构算法技术,提出基于知识的可重构智能芯片和计算系统平台技术.该系统旨在支持AI应用场景适应性、AI系统重构灵活性、AI算法算力合理性的平行智能AI芯片系统平台和对应的知识服务平台.同时,作为应用展望,KPI-CS与相应的应用平台联动,为平行复杂系统管理与控制、智能交通、智能能源、平行区块链、智能医疗等研究领域和工程实践提供新一代的实时、高效、自适应的计算系统支撑.     

面向星上实时目标检测的神经网络压缩方法

针对深度神经网络在轨实时目标检测需求与星上有限硬件资源之间的矛盾,基于宇航级处理芯片特性,提出一种结合剪枝、渐进式混合量化的混合压缩方法.对网络卷积层进行滤波器级剪枝,大幅度降低卷积计算操作数量;提出一种渐进式混合量化方法,在网络量化过程中混合使用不同的量化位宽,有效降低目标检测网络在宇航级处理芯片中的内存大小.在RSOD遥感图像数据集上的实验结果表明,该方法在网络检测精度损失<1％ 的前提下,提升了网络对星上有限计算和存储资源的利用率.     

基于AI辅助的远程心电监测预警平台构建

针对现有心电监测局限于临床应用的问题，提出一种基于AI辅助的远程心电监测平台，并构建其整体架构，包括远程监测中心、AI智能分析中心和远程诊断中心等3个模块。为了验证该平台的应用效果，采用硬件端采集+卷积神经网络诊断的方式，实现心电信号的智能诊断，并得出卷积神经网络在心电信号识别方面具有较高的识别率的结论。实践证明该心电监测预警平台不仅可实现心电信号采集，还具备智能诊断功能，极大促进了AI算法在医疗领域的应用，体现了AI的优势。     

多标签多目标融合下国产AI芯片的行人目标检测技术

行人目标检测需要处理大量的图像或视频数据,在实时性和效率方面对AI芯片的计算能力和存储容量提出了较高要求。为此,提出多标签多目标融合下国产化AI芯片行人目标高精度检测技术。构建行人目标特征提取模型,并对特征信息跨维拼接。利用AI芯片的并行计算能力对以上特征融合计算,结合整流函数获取目标空间聚合特征。基于此,考虑多目标多融合,采用IOU阈值计算行人目标候选框的概率,由此实现行人目标的高精度检测。实验结果表明,利用所提方法检测行人目标具有较高的准确度。     

改进的超视距空战态势评估方法

根据现代超视距空战的特点,结合目前超视距空战态势评估模型的不足,提出了一种改进的态势评估模型。该模型针对战机在超视距空域内寻找目标、互射导弹实施打击的特点,以载机速度、高度、空战能力、雷达探测性能,以及导弹攻击性能等作为主要研究对象,分析并建立了武器运用优势函数、飞行状态优势函数以及空战能力优势函数,用加权综合的方法得到双方的优势函数,模型更符合现代超视距空战实战特点。大量的数据仿真和实例应用结果验证了该评估算法的有效性。     

基于AI调节器的过程计算机控制系统

提出用AI调节器作输入输出通道构成过程计算机控制系统的方法。阐述了系统的硬件结构和软件设计的关键技术。该方法在过程控制实验装置的计算机控制中得到应用。运行结果表明,利用AI调节器构成的过程计算机控制系统结构简单,运行可靠,扩展了AI调节器的应用范围,提高了其利用率。     

AI芯片,是噱头还是趋势?

引言 随着 AlphaGo的诞生,"深度学习"日益普及,人工智能开始从智能化工具向智能机器进军.原有的 MCU已无法满足深度学习的高速海量数据运算要求,AI 芯片便应运而生.如今,嵌入式芯片领域正面临 AI 芯片的新一轮机遇.那么在 AI成为风口的当下,AI芯片到底是噱头还是发展趋势? 嵌入式系统又该如何面对AI芯片带来的新一轮机遇?     

基于异构编程模型的FFT算法实现和优化

FFT（快速傅立叶变换）是一种广泛应用于科学和工程领域的算法,现实应用中数据规模较大,需要高效实现才能满足实际应用需求。为了研究使用异构编程模型高效实现FFT算法,以华为鲲鹏处理器和昇腾AI加速芯片为实验平台,以SYCL语言为异构编程语言,实现了Cooley-Tukey基-2时域抽取FFT算法的方法和优化策略,并且提出了一种数据对切重组优化算法,大幅提高了对硬件并行能力的利用率。使用异构编程模型实现快速傅立叶变换算法可以更好地发挥异构计算设备的性能优势,易于编程且具有更高的兼容性。测试表明,在一定规模下,优化后的算法性能相比于优化前快了220.39倍。     

核电厂人工智能软件验证和确认方法研究

核电厂仪控领域引入人工智能（AI）技术的同时,也面临着软件验证和确认问题。现有的软件验证和确认（V&V）方法及相关标准并未考虑AI软件的特性。为解决这一问题,研究了AI软件不同于常规软件的特点。提出了在现有V&V活动的基础上,从需求分析、数据集、训练模型、可解释性、底层软件系统以及可维护性这六个方面对AI软件作进一步V&V。同时,给出执行这些任务的时机及需重点考虑的内容。该研究为AI软件在核电厂的应用提供了一种鉴定思路,并拓展了软件V&V的应用范围。     

面向模型并行训练的模型拆分策略自动生成方法

随着训练数据规模的增大以及训练模型的日趋复杂,深度神经网络的训练成本越来越高,对计算平台提出了更高的算力需求,模型训练并行化成为增强其应用时效性的迫切需求。近年来基于分布式训练的AI加速器（如FPGA、TPU、AI芯片等）层出不穷,为深度神经网络并行训练提供了硬件基础。为了充分利用各种硬件资源,研究人员需要在集合了多种不同算力、不同硬件架构AI加速器的计算平台上进行神经网络的模型并行训练,因此,如何高效利用各种AI加速器计算资源,并实现训练任务在多种加速器上的负载均衡,一直是研究人员关心的热点问题。提出了一种面向模型并行训练的模型拆分策略自动生成方法,该方法能够基于静态的网络模型自动生成模型拆分策略,实现网络层在不同AI加速器上的任务分配。基于该方法自动生成的模型分配策略,能够高效利用单个计算平台上的所有计算资源,并保证模型训练任务在各设备之间的负载均衡,与目前使用的人工拆分策略相比,具有更高的时效性,节省拆分策略生成时间100倍以上,且降低了由于人为因素带来的不确定性。     

Godson-3: A Scalable Multicore RISC Processor with x86 Emulation

The Godson-3 microprocessor aims at high-throughput server applications, high-performance scientific computing, and high-end embedded applications. It offers a scalable network on chip, hardware support for x86 emulation, and a reconfigurable architecture. The four-core Godson-3 chip is fabricated with 65-nm CMOS technology. Eight- and 16-core Godson-3 chips are in development.     

边缘智能与协同计算: 前沿与进展

随着万物互联时代的到来,边缘设备规模急剧增加,海量数据在网络边缘产生,人工智能技术的飞速发展为分析和处理这些数据提供了强大的支撑.然而,传统云计算的集中处理模式难以满足用户对任务低时延和设备低功耗的需求,并带来数据隐私泄露的潜在隐患.与此同时,嵌入式高性能芯片的发展显著提升了边缘设备的计算能力,使其能够在边缘侧实时处理部分计算密集型任务.在此背景下,边缘计算和人工智能有机融合,孕育了一种新的计算范式:边缘智能.鉴于此,聚焦边缘智能与协同计算的前沿与进展,首先概述边缘计算、人工智能和边缘智能的相关背景、基本原理与发展趋势;然后从训练、推理和缓存3个方面回顾面向单个设备的边缘智能方法;接着从架构、技术和功能3个维度介绍多个设备合作实现边缘智能协同的相关工作;最后总结边缘智能在工业物联网、智慧城市和虚拟现实等领域的广泛应用.     

面向人工智能和大数据的高效能计算

【目的】本文主要分析人工智能和大数据应用随着迅速增大的数据规模,给计算机系统带来的主要挑战,并针对计算机系统的发展趋势给出了一些面向人工智能和大数据亟待解决的高效能计算的若干研究方向。【文献范围】本文广泛查阅国内外在超级计算和高性能计算平台进行大数据和人工智能计算的最新研究成果及解决的挑战性问题。【方法】大数据既为人工智能提供了日益丰富的训练数据集合,但也给计算机系统的算力提出了更高的要求。近年来我国超级计算机处于世界的前列,为大数据和人工智能的大规模应用提供了强有力的计算平台支撑。【结果】而目前以超级计算机为代表的高性能计算平台大多采用CPU+加速器构成的异构并行计算系统,其数量众多的计算核心能够为人工智能和大数据应用提供强大的计算能力。【局限性】由于体系结构复杂,在充分发挥计算能力和提高计算效率方面存在较大挑战。尤其针对有别于科学计算的人工智能和大数据领域,其并行计算效率的提升更为困难。【结论】因此需要从底层的资源管理、任务调度、以及基础算法设计、通信优化,到上层的模型并行化和并行编程等方面展开高效能计算的研究,全面提升人工智能和大数据应用在高性能计算平台上的计算能效。     

FPGA implementation of ICA algorithm for blind signal separation and adaptive noise canceling

An field programmable gate array (FPGA) implementation of independent component analysis (ICA) algorithm is reported for blind signal separation (BSS) and adaptive noise canceling (ANC) in real time. In order to provide enormous computing power for ICA-based algorithms with multipath reverberation, a special digital processor is designed and implemented in FPGA. The chip design fully utilizes modular concept and several chips may be put together for complex applications with a large number of noise sources. Experimental results with a fabricated test board are reported for ANC only, BSS only, and simultaneous ANC/BSS, which demonstrates successful speech enhancement in real environments in real time.     

基于Si4432和C8051F340的无线收发定位系统设计

随着集成电路技术高速发展,芯片向低功耗、高集成度、专业化方向发展,无线通信领域也不例外。ISM频段单芯片无线数据通信的性能日益提升,集成度不断提高,功耗大幅降低,在短距离无线应用领域的应用越来越广泛[1]。介绍了一种低功耗、ISM频段的收发一体射频芯片Si4432,设计了以C8051F340单片机和RF Si4432为基础的高性能、低成本、低功耗的无线收发定位系统。对其涉及的关键硬件及软件技术进行了重点研究。系统具有成本低廉,实现简单等优点。实验结果表明,系统可以较好地完成定位收发以及定位任务。     

Applications and architectures [microprocessor chips]

Chips are getting more expensive both to design and to manufacture. That makes it tempting for semiconductor companies to push more functions onto a single chip, using software to customize it for specific applications. Using software to customize a few platforms for a variety of applications spreads the mask costs over more chips. It also saves the time of switching from one mask set to another. Time is money, so reducing the variety of parts that require fabrication helps reduce costs in other ways as well. As a result, chip manufacturers try to design platforms that can support a range of products. Customers who buy the chips to build systems use software to customize the functionality.     

新型算力网络架构及其应用案例分析

随着人工智能（AI）算力向网络边缘甚至终端设备扩散,端边云超协同的算力网络成为最佳计算解决方案,而新机遇催生了端边云超计算和网络之间的深度集成。然而,集成系统的完整开发还没有得到很好的解决,包括适应性、灵活性和价值性,因此提出了一种区块链赋能的端边云超算力网络架构。其中,端边云超融合为框架提供基础设施,该设施构成的算力资源池为用户提供安全可靠的算力,网络通过调度资源满足用户需求,而框架内的神经网络和执行平台为AI任务执行提供接口;同时,区块链保证资源交易的可靠性,以激励更多算力贡献者加入平台。本框架为算力网络中的用户提供了适应性,为组网算力资源调度提供了灵活性,为算力供应商提供了价值激励,并利用案例清晰地描述了该新型算力网络架构。     

基于FPGA的数据采集及传输系统的设计

在目前使用的芯片中,各种嵌入式芯片大部分都是功耗较高或是输出较慢。为此,本文采用Altera公司的FPGA芯片EP1C6Q240C8作为主要控制芯片,采用Verilog HDL编程,以AD976A芯片进行模数转换,然后在FPGA芯片中进行存储处理,并进行高速输出。通过这种设计方法,可以在数据采集及传输上实现低功耗和高速度,并且开发周期短,费用低。