Нейронный процессор
Нейро́нный проце́ссор (англ. Neural Processing Unit, NPU или ИИ-ускоритель англ. AI accelerator) — это специализированный класс микропроцессоров и сопроцессоров (часто являющихся специализированной интегральной схемой), используемый для аппаратного ускорения работы алгоритмов искусственных нейронных сетей, компьютерного зрения, распознавания по голосу, машинного обучения и других методов искусственного интеллекта[1].
Описание
Нейронные процессоры относятся к вычислительной технике и используются для аппаратного ускорения эмуляции работы нейронных сетей и цифровой обработки сигналов в режиме реального времени. Как правило, нейропроцессор содержит регистры, блоки памяти магазинного типа, коммутатор и вычислительное устройство, содержащее матрицу умножения, дешифраторы, триггеры и мультиплексоры[2].
На современном этапе (по состоянию на 2017 год) к классу нейронных процессоров могут относиться разные по устройству и специализации типы чипов, например:
- Нейроморфные процессоры — построенные по кластерной асинхронной архитектуре, разработанной в Корнеллском университете (принципиально отличающейся от фон Неймановской и Гарвардской компьютерных архитектур, используемых последние 70 лет в IT-отрасли). В отличие от традиционных вычислительных архитектур, логика нейроморфных процессоров изначально узкоспециализирована для создания и разработки разных видов искусственных нейронных сетей. В устройстве используются обычные транзисторы, из которых строятся вычислительные ядра (каждое ядро, как правило, содержит планировщик заданий, собственную память типа SRAM и маршрутизатор для связи с другими ядрами), каждое из ядер эмулирует работу нескольких сотен нейронов и, таким образом, одна интегральная схема, содержащая несколько тысяч таких ядер, алгоритмически может воссоздать массив из нескольких сотен тысяч нейронов и на порядок больше синапсов. Как правило, такие процессоры применяются для алгоритмов глубокого машинного обучения[3].
- Тензорные процессоры — устройства, как правило, являющиеся сопроцессорами, управляемыми центральным процессором, оперирующие тензорами — объектами, которые описывают преобразования элементов одного линейного пространства в другое и могут быть представлены как многомерные массивы чисел[4], обработка которых осуществляется с помощью таких программных библиотек, как, например TensorFlow. Они, как правило, оснащаются собственной встроенной оперативной памятью и оперируют низкоразрядными (8-битными) числами, и узкоспециализированы для выполнения таких операций, как матричное умножение и свёртка, используемая для эмуляции свёрточных нейронных сетей, которые используются для задач машинного обучения[5].
- Процессоры машинного зрения — во многом похожи на тензорные процессоры, но они узкоспециализированы для ускорения работы алгоритмов машинного зрения, в которых используются методы свёрточных нейронных сетей (CNN) и масштабно-инвариантная трансформация признаков (SIFT). В них делается большой акцент на распараллеливание потока данных между множеством исполнительных ядер, включая использование модели блокнотной памяти — как в многоядерных цифровых сигнальных процессорах, и они так же, как тензорные процессоры, используются для вычислений c низкой точностью, принятой при обработке изображений[6].
История
Области применения
- Беспилотный автомобиль — например, в этом направлении развивает свои платы Drive PX-series компания Nvidia[7][8].
- Беспилотный летательный аппарат — например, навигационная система основанная на чипах Movidius Myriad 2 успешно управляет автономными беспилотными летательными аппаратами[9].
- Диагностика в здравоохранении.
- Машинный перевод.
- Обработка естественного языка.
- Поисковая система — NPU повышают энергоэффективность центров обработки данных, и дают возможность использовать все более сложные запросы.
- Промышленный робот — NPU позволяют расширить спектр задач, которые возможно автоматизировать, путём добавления приспособляемости к меняющимся ситуациям.
- Распознавание по голосу — например, в мобильных телефонах использование технологии Qualcomm Zeroth[10]
- Сельскохозяйственный робот — например, борьба с сорняками без применения химических средств[11].
Примеры
Существующие продукты
.jpg.webp)
- Процессоры машинного зрения:
- Intel Movidius Myriad 2, который является многоядерным ИИ-ускорителем, основанным на VLIW-архитектуре, с дополненными узлами, предназначенными для обработки видео[6].
- Mobileye EyeQ — это специализированный процессор, ускоряющий обработку алгоритмов машинного зрения для использования в беспилотном автомобиле[12].
- Тензорные процессоры:
- Google TPU (англ. Tensor Processing Unit) — представлен как ускоритель для системы Google TensorFlow, которая широко применяется для свёрточных нейронных сетей. Сфокусирован на большом объёме арифметики 8-битной точности[5].
- Huawei Ascend 310 / Ascend 910 — первые два чипа оптимизированные под решения задач искусственного интеллекта из линейки Ascend компании Huawei[13].
- Intel Nervana NNP (англ. Neural Network Processor) — это первый коммерчески доступный тензорный процессор, предназначенный для постройки сетей глубокого обучения[14], компания Facebook была партнёром в процессе его проектирования[15][16].
- Qualcomm Cloud AI 100 — ускоритель искусственного интеллекта, предназначенный для использования в составе облачных платформ, поддерживающий программные библиотеки PyTorch, Glow, TensorFlow, Keras и ONNX[17].
- Нейроморфные процессоры:
- IBM TrueNorth — нейроморфный процессор, построенный по принципу взаимодействия нейронов, а не традиционной арифметики. Частота импульсов представляет интенсивность сигнала. По состоянию на 2016 год среди исследователей ИИ нет консенсуса, является ли это правильным путём для продвижения[18], но некоторые результаты являются многообещающими, с продемонстрированной большой экономией энергии для задач машинного зрения[19].
- Adapteva Epiphany — предназначен как сопроцессор, включает модель блокнотной памяти сети на кристалле, подходит к модели программирования потоком информации, которая должна подходить для многих задач машинного обучения.
- ComBox x64 Movidius PCIe Blade board - плата расширения PCI Express с максимальной плотностью VPU Intel Movidius (MyriadX) для инференса сверхточных нейронных сетей в ЦОД
- Cambricon MLU100 — карта расширения PCI Express с ИИ-процессором мощностью 64 TFLOPS с половинной точностью или 128 TOPS для вычислений INT8[20].
- Cerebras Wafer Scale Engine (WSE, CS-1) — экспериментальный суперпроцессор компании Cerebras, содержит 1,2 трлн транзисторов, организованных в 400 000 ИИ-оптимизированных вычислительных ядер и 18 Гбайт локальной распределённой памяти SRAM, и всё это связано ячеистой сетью с общей производительностью 100 петабит в секунду. Чип Cerebras ― это фактически суперкомпьютер на чипе, где вычислительные ядра SLAC (Sparse Linear Algebra Cores) ― полностью программируемые и могут быть оптимизированы для работы с любыми нейронными сетями[21].
- KnuPath — процессор компании KnuEdge, предназначен для работы в системах распознавания речи и прочих отраслях машинного обучения, он использует соединительную технологию LambdaFabric и позволяет объединять в единую систему до 512 тысяч процессоров[22].
GPU-продукты

- Nvidia Tesla — серия специализированных GPGPU-продуктов компании Nvidia[23]:
- Nvidia Volta — графические процессоры (GPU) архитектуры Volta (2017 год) компании Nvidia (такие как Volta GV100), содержат до 640 специальных ядер для тензорных вычислений[1].
- Nvidia Turing — графические процессоры архитектуры Turing (2018 год) компании Nvidia (такие как Nvidia TU104), содержат до 576 специальных ядер для тензорных вычислений[24].
- Nvidia DGX-1 — специализированный сервер, состоящий из 2 центральных процессоров и 8 GPU Nvidia Volta GV100 (5120 тензорных ядер), связанных через быструю шину NVLink[25]. Специализированная архитектура памяти у этой системы является особенно подходящей для построения сетей глубокого обучения[26][27].
- AMD Radeon Instinct — специализированная GPGPU-плата компании AMD, предлагаемая как ускоритель для задач глубокого обучения[28][29].
ИИ-ускорители в виде внутренних сопроцессоров (аппаратных ИИ-блоков)

- Cambricon-1A — NPU-блок в ARM-чипах Huawei Kirin 970, разработанный компанией Cambricon Technologies[30].
- CEVA NeuPro — семейство лицензируемых ИИ-процессоров для глубокого обучения компании CEVA, Inc.[31].
- Neural Engine — ИИ-ускоритель внутри ARM-чипов Apple A11 Bionic и A12 Bionic SoC[32].
- PowerVR 2NX NNA (Neural Network Accelerator) — семейство лицензируемых IP-модулей для машинного обучения компании Imagination Technologies[33].
Научные исследования и разрабатываемые продукты
- Индийский технологический институт в Мадрасе разрабатывает ускоритель на импульсных нейронах для новых систем архитектуры RISC-V, направленных на обработку больших данных на серверных системах[34].
- Eyeriss — разработка, направлена на свёрточные нейронные сети с применением блокнотной памяти и сетевой архитектуры в пределах кристалла.
- Fujitsu DLU — многоблочный и многоядерный сопроцессор компании Fujitsu использующий вычисления с низкой точностью и предназначенный для глубокого машинного обучения[35].
- Intel Loihi — нейроморфный процессор компании Intel, который сочетает процессы обучения, тренировки и принятия решений в одном чипе, позволяя системе быть автономной и «сообразительной» без подключения к облаку. Например, при обучении с помощью базы данных MNIST (Mixed National Institute of Standards and Technology) процессор Loihi оказывается в 1 млн раз лучше, чем другие типичные спайковые нейронные сети[36].
- Kalray — показала MPPA[37] и сообщила о повышении эффективности свёрточных нейронных сетей в сравнении с GPU.
- SpiNNaker — массово-параллельная компьютерная архитектура, которая сочетает ядра традиционной ARM-архитектуры с усовершенствованной сетевой структурой, специализированной для моделирования крупной нейронной сети.
- Zeroth NPU — разработка компании Qualcomm, направленная непосредственно на привнесение возможностей распознавания речи и изображений в мобильные устройства[38].
- IVA TPU — тензорный процессор, над созданием которого работает[39][40] российская компания IVA Technologies. В октябре 2020 года были опубликованы результаты[41][42] тестирования архитектуры ускорителя расчета нейронных сетей IVA TPU, проведенного международным консорциумом MLPerf (учрежден в 2018 году Baidu, Google, Harvard University, Stanford University, University of California, Berkeley).
Примечания
- Популярность машинного обучения влияет на эволюцию архитектуры процессоров . Servernews. (31 августа 2017). Дата обращения: 17 ноября 2017.
- Нейропроцессор, устройство для вычисления функций насыщения, вычислительное устройство и сумматор . FindPatent.RU. Дата обращения: 17 ноября 2017.
- IBM поставила LLNL нейропроцессоры TrueNorth за $1 млн . Компьютерра. (31 марта 2016). Дата обращения: 17 ноября 2017.
- Intel разрабатывает тензорные процессоры для ИИ . PC Week/RE. (22 ноября 2016). Дата обращения: 17 ноября 2017.
- Подробности о тензорном сопроцессоре Google TPU . Servernews. (25 августа 2017). Дата обращения: 17 ноября 2017.
- Intel анонсировала процессор машинного зрения Movidius Myriad X . 3DNews. (29 августа 2017). Дата обращения: 17 ноября 2017.
- Nvidia Drive PX: Scalable AI Supercomputer For Autonomous Driving . Nvidia. Дата обращения: 17 ноября 2017. (англ.)
- NVIDIA представила Drive PX Pegasus — платформу для автопилота нового поколения . 3DNews (10 октября 2017). Дата обращения: 17 ноября 2017. (рус.)
- Movidius powers worlds most intelligent drone . (англ.)
- Qualcomm Research brings server-class machine learning to everyday devices . (англ.)
- Design of a machine vision system for weed control (недоступная ссылка). Дата обращения: 15 ноября 2017. Архивировано 23 июня 2010 года. (англ.)
- The Evolution of EyeQ .
- Huawei создала первые в мире ИИ-процессоры, пойдя по пути разработчиков «Эльбрусов», CNews (23 октября 2018). Дата обращения 24 октября 2018.
- До конца года Intel выпустит «первую в отрасли микросхему для обработки нейронных сетей» — Intel Nervana Neural Network Processor . iXBT.com (18 октября 2017). Дата обращения: 21 ноября 2017.
- Intel unveils purpose-built Neural Network Processor for deep learning, Tech Report (17 октября 2017). Дата обращения 17 ноября 2017.
- Intel Nervana Neural Network Processors (NNP) Redefine AI Silicon (17 октября 2017). Дата обращения 17 ноября 2017.
- Qualcomm представила ускоритель искусственного интеллекта Cloud AI 100, Servernews.ru (10 апреля 2019). Дата обращения 16 апреля 2019.
- Ян ЛеКун про IBM TrueNorth . (англ.)
- IBM cracks open new era of neuromorphic computing . — «TrueNorth is incredibly efficient: The chip consumes just 72 milliwatts at max load, which equates to around 400 billion synaptic operations per second per watt — or about 176,000 times more efficient than a modern CPU running the same brain-like workload, or 769 times more efficient than other state-of-the-art neuromorphic approaches». (англ.)
- Китайская компания Cambricon разрабатывает чипы ИИ для дата-центров. (недоступная ссылка). Дата обращения: 15 июня 2018. Архивировано 16 июня 2018 года.
- Cerebras ― процессор для ИИ невероятных размеров и возможностей . 3DNews. (20 августа 2019). Дата обращения: 21 августа 2019.
- KnuPath — нейроморфный процессор военного назначения . 3DNews. (9 июня 2016). Дата обращения: 17 ноября 2017.
- Computex: Глава Nvidia не видит угрозы в «тензорном» процессоре Google . «Открытые системы». (1 июня 2016). Дата обращения: 17 ноября 2017.
- Что принесёт на рынок новая архитектура NVIDIA Turing? . 3DNews. (14.08.2018). Дата обращения: 17 августа 2018.
- Эра NVIDIA Volta началась с ускорителя Tesla V100 . Servernews. (11 мая 2017). Дата обращения: 17 ноября 2017.
- GTC Europe 2017: библиотека NVIDIA TensoRT 3 ускоряет работу нейросетей в 18 раз по сравнению с универсальным решением . Servernews. (12 октября 2017). Дата обращения: 17 ноября 2017.
- Новый российский суперкомпьютер предназначен для обучения нейросетей . Servernews. (1 сентября 2017). Дата обращения: 17 ноября 2017.
- AMD Announces Radeon Instinct: GPU Accelerators for Deep Learning, Coming in 2017, Anandtech (12 декабря 2016). Дата обращения 12 декабря 2016.
- Radeon Instinct Machine Learning GPUs include Vega, Preview Performance, PC Per (12 декабря 2016). Дата обращения 12 декабря 2016.
- Huawei представляет будущее мобильного искусственного интеллекта на IFA 2017.
- CEVA NeuPro. A Family of AI Processors for Deep Learning at the Edge.
- The iPhone X’s new neural engine exemplifies Apple’s approach to AI, The Verge (13 сентября 2017). Дата обращения 17 ноября 2017.
- Imagination представила новые ИИ-ускорители PowerVR 2NX, 3DNews (8 июня 2018). Дата обращения 15 июня 2018.
- India preps RISC-V Processors - Shakti targets servers, IoT, analytics (недоступная ссылка). — «The Shakti project now includes plans for at least six microprocessor designs as well as associated fabrics and an accelerator chip». Дата обращения: 15 ноября 2017. Архивировано 3 июля 2017 года. (англ.)
- Fujitsu разрабатывает специализированный процессор для систем ИИ . Servernews. (24 июля 2017). Дата обращения: 17 ноября 2017.
- Intel представила нейроморфный процессор Loihi . 3DNews. (26 сентября 2017). Дата обращения: 17 ноября 2017.
- Kalray MPPA . (англ.)
- Qualcomm показала нейропроцессор Zeroth . Logmag.net (16 октября 2013). Дата обращения: 17 ноября 2017.
- embedded world. IVA TPU – DNN inference accelerator // NeuroMatrix Architecture for Neural Network Applications | embedded world (англ.). www.embedded-world.de. Дата обращения: 30 ноября 2020.
- В России создана оригинальная процессорная архитектура, способная потеснить NVidia . CNews.ru. Дата обращения: 30 ноября 2020.
- Inference Results (англ.). MLPerf. Дата обращения: 30 ноября 2020.
- Sally Ward-Foxton. Machine learning benchmark expands support for edge, data center workloads (англ.) ?. Embedded.com (3 ноября 2020). Дата обращения: 30 ноября 2020.
Ссылки
- Популярность машинного обучения влияет на эволюцию архитектуры процессоров . Servernews. (31 августа 2017). Дата обращения: 17 ноября 2017.