GAP8 - Prosesor AI Daya Rendah untuk Sensor Internet of Things (IoT)
GAP8 adalah prosesor aplikasi daya rendah yang memungkinkan perangkat cerdas untuk memproses data di tepi jaringan. Prosesor ini menjalankan spektrum luas algoritma gambar dan audio, termasuk inferensi jaringan saraf konvolusi (CNN), dengan efisiensi energi yang ekstrem.
Prosesor ini terdiri dari pengontrol jaringan yang mengelola periferal, dan kluster delapan inti RISC-V. Prosesor ini juga memiliki akselerator CNN perangkat keras terintegrasi.
Inti berbasis ISA RISC-V
Chip GAP8 dari GreenWaves Technologies menggunakan arsitektur prosesor RISC-V sumber terbuka untuk menghadirkan pemrosesan AI tingkat lanjut dalam perangkat sensor Internet of Things (IoT). Kluster 8 inti dan Mesin Konvolusi perangkat kerasnya mempercepat tugas pembelajaran mendalam yang kompleks. Prosesor ini juga mendukung berbagai periferal. Selain itu, prosesor ini dirancang untuk berjalan dalam mode daya yang sangat rendah. Konverter dc-dc-nya dapat beralih ke regulator putus rendah saat berjalan dalam mode tidur nyenyak. Modularitas dan ekstensibilitas RISC-V merupakan fitur utama dari arsitektur set instruksinya. ISA dasar menentukan instruksi dan pengodeannya, aliran kontrol, register, pengalamatan memori, dan manipulasi logika. ISA dasar juga menyediakan serangkaian ekstensi standar, termasuk loop perangkat keras tanpa overhead dan instruksi pasca/pra modifikasi pointer.
Platform GAP8 terdiri dari dua elemen: inti Pengendali Fabric untuk fungsi kontrol dan komunikasi, dan kluster 8 inti berkinerja tinggi untuk menjalankan algoritme paralel. Baik inti FC maupun kluster memiliki akses ke cache L2 512 KB. Beberapa unit DMA disertakan untuk memungkinkan transfer data cepat antar area memori.
Inferensi Jaringan Syaraf Konvolusional (CNN)
GAP8 memungkinkan pengembang untuk menerapkan algoritme ML canggih di perangkat yang konsumsi daya dan masa pakai baterainya sangat penting. GAP8 dapat menjalankan spektrum luas algoritme pembelajaran mesin dan pemrosesan sinyal serta mampu mengurangi penggunaan energi hingga 20 kali lipat dibandingkan dengan solusi saat ini. Ini termasuk FFT, filter, dan lapisan jaringan saraf. GAP8, yang didasarkan pada standar RISC-V sumber terbuka ISA, memiliki kluster yang terdiri dari 8 inti yang mendukung instruksi RISC-V standar dan serangkaian operasi Single Instruction Multiple Data (SIMD). Dengan menggunakan ini, kluster dapat menjalankan dua operasi vektor per siklus. Hal ini secara signifikan mengurangi jejak memori dan penggunaan daya algoritma inferensi CNN. Detail lebih lanjut https://westtheaterduluth.com/
PULP-Dronet adalah prosesor GAP8 8 inti dengan akselerator perangkat keras untuk inferensi CNN. Prosesor ini telah digunakan untuk menjalankan CNN 2D berbasis ResNet, yang memerlukan bobot 22’368, dan TCN 3D, yang memerlukan bobot 16’368. Kompleksitas komputasi inferensi keseluruhan adalah 41 siklus MMAC per bingkai, dan jejak memori puncak, termasuk buffer input dan perantara, adalah 320 kB.
Manajemen daya
Arsitektur GAP8 didasarkan pada penelitian bertahun-tahun dalam prosesor daya ultra-rendah paralel. Sembilan inti RISC-V-nya mencakup satu yang mengelola tata graha dan delapan lainnya yang bertindak sebagai kluster dengan data dan memori instruksi bersama. Kluster tersebut mencakup akselerator komputasi konvolusi perangkat keras untuk mempercepat kalkulasi inferensi untuk jaringan saraf dalam. Pengontrol dan kluster jaringan beroperasi dalam domain tegangan dan frekuensi yang terpisah, sehingga masing-masing hanya mengonsumsi daya saat dibutuhkan.
GreenWaves mengklaim bahwa GAP8 adalah prosesor pertama di dunia yang menghadirkan kecerdasan CNN ke perangkat IoT edge yang murah dan bertenaga baterai. Perusahaan tersebut juga telah mengembangkan papan pengembangan mirip Arduino yang disebut GAPuino. Chip tersebut memiliki daya komputasi yang cukup untuk menjalankan berbagai aplikasi yang digerakkan oleh AI, termasuk pengenalan wajah dan deteksi tubuh. Bahkan dapat menjalankan SLAM, yang memungkinkan drone untuk memetakan sekelilingnya. Platform tersebut saat ini sedang diuji di lingkungan dunia nyata, yang pada akhirnya akan mengarah ke versi komersial.