• BPnet
  • ビジネス
  • IT
  • テクノロジー
  • 医療
  • 建設・不動産
  • TRENDY
  • WOMAN
  • ショッピング
  • 転職
  • ナショジオ
  • 日経電子版

HOMEエレクトロニクス電子デバイスISSCC2018北大が磁界結合利用の深層学習チップ、Googleはエッジを視野に

ISSCC2018

北大が磁界結合利用の深層学習チップ、Googleはエッジを視野に

  • 今井 拓司
  • 2017/11/14 12:35
  • 2/3ページ
この記事は日経エレクトロニクス購読者/日経ものづくり購読者/日経Automotive購読者/日経テクノロジーオンライン有料会員限定ですが、2018年02月15日まではどなたでもご覧になれます。

 発表されるチップは、深層学習(ディープラーニング)技術で学習させたDNN(ディプニューラルネットワーク)の推論処理を高速かつ低電力で実行するもの。プログラミングにより各種のDNNの構造に対応でき、演算性能は7.49TOPS(Tera Operations Per Second)という。特徴の1つは、磁界結合を用いたTCI(Thru Chip Interface)技術(関連記事)を使って、容量が合計96Mバイトの積層SRAMと、高速(28.8Gバイト/秒)かつ低遅延(3サイクル)で通信できること。DNNの推論の実行では、DNNの重みや入出力のデータを格納したメモリーのアクセスがボトルネックになりがちで、この問題に手を打った形である。

 もう1つの特徴が、対数量子化と呼ぶ方式を使って、DNNの重みや入力などを量子化すること。対数量子化とは、数値を2のべき場で表す表現で、北海道大学らのチップではその指数を1~4ビットで表すことができる。この方式を用いたDNNチップは業界初という。今回のチップに先立ち北海道大学は「BRein Memory」と呼ぶチップを2017年6月開催の2017 Symposium on VLSI Circuitsで発表済み(論文)。そのチップでは、重みなどを2値もしくは3値で表すDNNが対象だったのに対し、DNNの表現能力を大きく高めた形である。

[画像のクリックで拡大表示]
磁界結合と対数量子化を利用

おすすめ

あなたにおすすめ