BrainChip推出基于AKD1000 SNN AI SoC的树莓派和x86开发套件

备注：脉冲神经网络Spiking Neuron Networks，简称SNN。经常被誉为第三代人工神经网络。其模拟神经元更加接近实际，除此之外，它把时间信息的影响也考虑其中。

BrainChip是一家提供边缘人工智能应用的全球技术公司，其总部位于美国。最近，他们BrainChip 为基于树莓派的Akida AKD1000神经拟态处理器和英特尔 (x86) 迷你 PC 推出了两个开发套件。这两个开发套件的主要目的是为了方便其合作伙伴、大型企业和设备制造商能够测试和验证Akida芯片。

实际上，BrainChip 的 Akida 神经主要依赖于SNN（脉冲神经网络），它能够以超低功耗实现高性能、实时推理。与依赖CNN（卷积神经网络）技术的传统 AI 芯片相比，Akida 神经的功耗明显要降低很多。

基于树莓派CM4的Akida开发套件

规格：

• SoM – 树莓派CM4或CM4Lite
  • SoC：博通BCM2711C0四核ARM Cortex-A72 (ARMv8-A) 64位、1.5GHz，附带博通VideoCore VI GPU
  • RAM – 1GB、2GB、4GB或8GB LPDDR4 SDRAM
  • 存储 – 用于CM4 Lite的MicroSD卡，或用于CM4的2GB至 32GB eMMC
  • 网络 – 可选 2.4 GHz和5 GHz 802.11b/g/n/ac Wi-Fi、蓝牙5.0 LE、千兆以太网PHY
• 载板 – 树莓派计算模块4 IO板，配有PCIe插槽、2个DSI、2个CSI、2个HDMI
• AI加速器– 迷你PCIe卡，搭载Brainchip Akida AKD1000 AI芯片
• 尺寸 – 20.06 x 10.5 x 3.7cm

BrainChip的这个树莓派Akira开发套件由现成的部件树莓派CM4 +载板组成，并安装在一个配有该公司Akida人工智能加速器卡的外壳中。

基于Shuttle PC的Akida开发套件

• SoC 支持 – LGA1200插槽适用于第10代英特尔酷睿i9/i7/i5/i3、奔腾Gold和赛扬“Comet Lake-S”处理器，TDP最大65W，热管冷却系统包括带两个风扇
• 系统内存 – 2个260-引脚SO-DIMM插槽、适用于DDR4-2933 /2666，RAM最大2个32 GB
• 存储
  • 1个2.5英寸SATA硬盘或最大9.5mm的SSD托架
  • 1个M.2-2280M插槽（支持PCIe x4 NVMe或SATA）
• 视频输出 – HDMI 2.0a、VGA
• 音频 – 2个3.5mm音频插孔用于线路输出和麦克风
• 连网
  • 千兆以太网RJ45端口
  • 1个M.2-2230AE用于可选的WLAN卡
• USB – 4个USB 3.2 Gen1、4个USB 2.0、1个USB 2.0 内置U盘
• 串口– 可选RS232 COM端口
• 扩展 –1个PCI Express X16 v3.0 插槽
• AI加速器– 迷你PCIe卡，搭载Brainchip Akida AKD1000 AI芯片
• 电源 – 外部180 W/19.5 V电源适配器
• 尺寸 – 25 x 20 x 7.85cm
• 适用Windows 10和Linux系统（64位）

该开发套件基本上就是一台搭载Braindchip AkidaAI加速器卡的Shuttle XH410G迷你PC。

BrainChip AKD1000 NSoC和软件支持

该神经形态SoC（简写为“NSoC”）利用Akida神经元结构可模拟120万个神经元和100亿个突触，并提供了以下主要功能和接口：

• M 级SPU，配有FPU和DSP
• 内存接口 – LPDDR4
• 存储 – SPI 闪存，用于启动/存储
• Akira Neuro Fabric – 80个NPU，具有8MB SRAM的数字逻辑
• 数据输入接口
  • 2个PCIe 2.1
  • USB 3.0
  • I3C、I2C、UART、JTAG
• 数据处理——像素事件转换器；SW数据事件编码器；多变量数字数据；声音、压力、温度等数据处理
• 通过额外的 PCIe 2.1 2 通道根复合体实现多芯片扩展，最多可连接 64个“菊花链”设备
• 制程 – 28nm台积电

以上，我列出的开发套件包括Meta TF软件开发环境、用户指南和 Akida模型示例。

在接受EETimes采访时，BrainChip 联合创始人兼首席开发官Anil Mankar解释说，熟悉TensorFlow或Keras API的人可以将他们现有的应用程序、网络、数据集，经过量化感知训练后在Akida硬件上运行，并自行测量功率。因此，就无需确切了解SNN的工作原理了。

对象分类推理所需的MAC操作如上图所示，深蓝色是非事件域中的 CNN，浅蓝色是事件域中的 Akida，绿色是进一步活动正则化的事件域。

（资料来源： EETimes期刊，BrainChip提供）

他们将该解决方案与CNN进行比较的方式很有趣，他们报告的是每次推理所需的MAC操作次数，而不是直接的mW值。而且EETimes的文章还提供了另外一组功耗数据：

在 Akida开发板上运行的关键字识别模型在 4位量化后每次推算能耗低至 37 µJ（或每瓦每秒27,336次推算）。预测准确率为91.3%，芯片速度减慢至5 MHz以达到可观测到的性能。

可用性和价格

其实，基于SNN的神经形态芯片现在仍然是一种新兴技术，从开发套件的价格中我们也能看出这一点。这个树莓派开发套件的售价是4,995美元，Shuttle PC套件的售价则高达9,995 美元。其他更多详细信息，你们可以在BrainChip官网上找到。另外，现在也有一些其他致力于 SNN AI芯片开发的公司，比如像Innatera和Prophesee。