Мы в своей работе сосредоточились на моделировании элементов энергонезависимой памяти, так как они лежат в основе нейроморфных систем и позволяют улучшить их свойства, повысить их функциональные возможности. Такие системы применяются во всех отраслях промышленности, особенно там, где требуется высокоскоростное распознавание изображений, звуков и запахов.

Нашей целью была разработка метода построения КМОП-ReRAM логических элементов, которые совмещают достоинства существующих видов мемристивной логики и обеспечивают повышение производительности и энергоэффективности вычислений прежде всего за счет выполнения логических операций за один такт с энергонезависимым сохранением текущих состояний в мемристорах.

Очувствление – это сравнительно новая технология. Речь идет о протезировании и о том, что, кроме управления мехатронной частью протеза, можно еще попробовать научить человека чувствовать то, к чему прикасается протез. Как правило, для этого в периферические нервы имплантируются микроэлектродные матрицы, которые связываются с пучками нервных волокон и можно, «прозванивая» каждый из электродов, увидеть, какой из нервов отвечает за чувствительность.

Информация, обрабатываемая мемристорной матрицей, хранится в ней же. Это отличает мемристоры от транзисторов, для сохранения результатов вычислений которых требуется внешняя память. С данным фактором связано главное преимущество вычислительных систем, построенных на мемристорной технологии – практически мгновенная обработка информации при отсутствии необходимости ее передачи из памяти в процессор и обратно.

Представляю новую разработку нашей команды – процессорный сложно-функциональный блок с внеочередным исполнением команд второго поколения, совместимый с системой команд Risc-V. По сравнению с первым поколением его производительность повышена до 60-100% за счет множества оптимизаций и новых подходов. Имплементации кристалла мы делали по технологии 28 нм у себя и по 12 нм у клиента. Оба варианта показали хорошие результаты в бенчмарках SPEC, в том числе, по сравнению с популярными чипами на ARM A55. Процессор пригоден для приложений Edge AI, промышленных компьютеров, встраиваемых и сетевых систем, телекома и много другого.

На этой конференции мы представляем наш новый трёхъядерный микроконтроллер U1000 для ресурсоёмких задач и систем промышленной автоматизации. Кластер ядер построен на базе микроархитектуры CloudBEAR – это два мощных ядра BR-350 с большим кэшем каждое и одно экономичное ядро BM-310. Встроенная флеш-память имеет объём 256 кбайт, ОЗУ – 192 кбайт. Наша компания официально поддерживает SDK для Windows и Linux. Отладка – через JTAG или USB. Уникальной особенностью нашего микроконтроллера является объединение всех отладочных интерфейсов в единый USB с выбором механизма через программный драйвер и возможностью трассировки.

Новейшая микроархитектура высокопроизводительного GPGPU для задач ИИ от «Байкал Электроникс» основана на базе диспетчера на ядре RISC-V и многопоточных тензорных процессоров Baikal-AI для параллельных вычислений с общим кэшем второго уровня. Сравнение Baikal-AI с ядрами-конкурентами Xavier AGX от Nvidia на компиляторе CUDA показывает средний прирост скорости около 9% с заметным разбросом в зависимости от типа задачи и требует оптимизации компилятора. В дальнейшем ядра Baikal-AI планируется интегрировать в конечные решения.

Мы проанализировали аппаратные средства реализации нейронных сетей, кратно снижающие их время задержки и площадь на кристалле. Аппаратное распараллеливание процессов сложения позволяет существенно ускорить вычисления, но занимает много места на кристалле. Комбинирование этого подхода с уменьшением разрядности и оптимизацией топологии вычислительных ячеек Бута позволяет добиться оптимального сочетания подходов для получения наилучшего результата для конкретных задач матричного умножения. Наши подходы мы стремимся реализовать в заказной микросхеме, поскольку стандартные ПЛИС при таком подходе не обеспечивают оптимальной конфигурации.