由Innatera开发的芯片（SOC）中的PULSAR系统包括许多低功率的人工智力/AI/ML研究脉冲神经网络（SNN）加速器靶向基于传感器的溶液（图1）。我讨论了Innatera的首席执行官Sumeat Kumar，该SOC如何在启用电池或能源收集应用程序的在线（AON）神经网络中提供恒定的网络。本文指出：1。Innatera的Pulsar System-Chip包括模拟和数字尖峰神经网络（SNNS）以及FFT和CNN加速度。与基于云的AI/ML支持相比，AON在本地操作和处理所有数据的能力对延迟，隐私和性能具有重大好处，而不是SNN，基于SNN的解决方案。模拟和数字尖峰神经网络有什么区别？与传统的数字深神经网络（DNN）相比，手腕神经网络，也称为神经形态计算，与生物神经元更加紧密相关网络（CNN）。 SNN使用基于时间的“尖峰”作为输入，导致“神经元”基于输入权重产生其他尖峰（图2）。当CNN并行处理所有输入时，它模仿了真实神经元的工作原理。 2。脉冲神经网络是专门用于“尖峰”的时间。 SNN可以作为模拟或数字电路实现。主要区别是如何实现它，而不是逻辑上的制作方式。两者都通过多级阵列使用重量和触发神经元。模拟方法具有连续运行和集成以及功率运算非常低的好处。数字方法更灵活，更适合某些模型。 Innatera Pulsar包括SNN的模拟和数字加速度，使开发人员可以为特定的AI/ML SNN模型选择选项。为什么将模拟和数字SNN与芯片混合？该公司在PULSAR中混合了许多加速器。这包括模拟和数字SNN加速器以及CNN和快速傅立叶变换（FFT）。每个人都有自己的优势，使开发人员可以根据应用程序相互使用。对于应用程序的特定方面，加速器将是优化的；他们可能会在一定时间处于活动状态。例如，超低功率模拟SNN可用于监视传感器操作，并在检测某些条件时启动硬件的其余部分。 HOWMIX模型的一个示例是智能门铃，它决定了它是否在现场。传感器可以是视频，红外线或雷达。 SSN习惯了这种身份证明。为什么SNN是SNN对Pulsar Pulsar效率不断研究的关键，即Pulsar比传统DNN数字DNN中的相似模型的实现高两个数量级。此必需的功率降低更改AI/ML加速器由具有浮动点的32位RISC-V处理器控制，类似于ARM Cortex-M4F ARM。它可以处理AI/ML活动，但通常管理数据，com市电和系统操作。 SNN运行时，处理器可以冬眠。 PULSAR提供2.8×2.6 mm晶圆级芯片级包装（WLCSP）。软件支持可由innatera的Talamo Suiteof Innatera（集成到Pytorch）。开发人员可以在Pytorch中创建和测试用于实施PULSAR的模型。该模拟器提供了完整的芯片仿真功能，该功能使开发人员能够在模拟和数字SSN和CNN加速器中测试模型。