迈克·梅伯里（Mike Mayberry）将发表题为“未来计算：数据转换如何重塑VLSI”的主题演讲，强调从硬件/以程序为中心的计算过渡到以数据/信息为中心的计算的重要性。 “在分布式边缘，网络和云基础架构上有大量数据流，这需要在生成数据的位置附近进行节能高效的处理，但是这种处理通常受到带宽，内存和电源的限制英特尔研究院在VLSI研讨会上重点介绍了几种提高计算效率的新方法。这些方法在各种应用中显示出广阔的前景，包括机器人技术，增强现实，机器视觉和视频分析。本系列研究的重点是解决数据移动和计算的障碍。这些障碍代表了未来最大的数据挑战。”-英特尔研究院电路技术研究总监英特尔研究员Vivek K. De将出席：本研讨会将介绍一些英特尔研究论文，探讨如何实现更高水平未来的边缘网络云系统的智能化和更高的能源效率，以支持不断增长的边缘应用程序。该研究论文涉及的一些主题（有关完整的研究列表，请参见本新闻稿的结尾）包括：使用射线投射硬件加速器提高边缘机器人3D场景重建的效率和准确性。论文：在边缘机器人和增强现实应用中，通过10纳米CMOS射线投射加速器进行高效3D场景重建具有重要意义：某些应用（包括边缘机器人和增强现实）需要准确，快速且节能地执行复杂的3D场景从射线投射操作生成的大量数据中进行重构以实现实时密集的同时定位和映射（SLAM）。在这篇研究论文中，英特尔致力于开发一种新型的光线投射硬件加速器，该加速器可以使用新技术来维持场景重建的准确性，同时实现出色的节能性能。这些创新方法包括诸如体素重叠搜索和硬件辅助的体素近似计算等技术，这些技术可减少对本地内存的需求，并提高电源效率以适应未来的边缘机器人技术和增强现实应用。使用事件驱动的可视化数据处理单元（EPU）可以减少基于深度学习的视频流分析的功耗。论文：一个0.05pJ /像素70fps FHD 1Meps事件驱动的视觉数据处理单元。重要性：基于实时深度学习的可视化数据分析主要用于安全性和安全性等领域，要求快速检测多个视频流中的对象，这需要较长的计算时间和较高的存储带宽。这些摄像机中的输入帧通常会进行下采样以最大程度地减少负载，从而降低图像精度。在这项研究中，英特尔证明了事件驱动的视觉数据处理单元（EPU）与新颖的算法相结合，可以指示深度学习加速器仅使用基于运动的“目标区域”。处理视觉输入。这种新方法减轻了边缘视觉分析中的密集计算和高存储需求。扩展本地内存带宽，以满足人工智能，机器学习和深度学习应用程序的需求。论文：2倍带宽突发6T-SRAM，用于内存带宽有限的工作负载。启示：许多AI芯片，尤其是用于自然语言处理芯片（例如语音助手）的AI芯片，越来越受到本地内存的限制。为了应对存储器挑战，必须提供倍频器或增加存储器插槽的数量，但是成本是较低的功耗和面积效率，尤其是对于面积有限的边缘设备。通过这项研究，英特尔展示了如何使用6T-SRAM阵列提供突发模式下所需的2倍的读取带宽。它的能量效率比倍频高51％，面积效率也比倍频存储插槽高。 30％。全数字二进制神经网络加速器论文：使用10nm FinFET CMOS的617TOPS / W全数字二进制神经网络加速器很重要：在功率和资源有限的边缘设备中，某些应用可以接受低精度输出，因此模拟二进制神经网络（BNN）用作高精度神经网络的替代方法。后者对计算的要求更高，并且具有密集的内存需求。但是，由于模拟的BNN对过程变化和噪声的容忍度较低，因此其预测准确性较低。通过这项研究，英特尔展示了全数字BNN的使用，其能效类似于模拟输入