1.下一代储存技术盘点:四种技术潜力最大;
随着移动设备, 物联网应用的兴起, 对于节能的数据储存与内存技术需求日益增加. 目前的内存技术以DRAM与NAND闪存为主流, 但DRAM的读写速度快无法长时间储存数据; NAND Flash能保存数据, 但读写速度不佳.
同时兼具运算, 储存能力的下世代内存, 如磁阻式内存(MRAM), 电阻式内存(RRAM), 3D XPoint技术与高潜力的自旋电子磁性内存(STT-MRAM)等, 就成为下世代内存技术的新宠儿.
MRAM的技术在学理上访问速度将超越DRAM达到接近SRAM, 且断电后数据不流失, 早期由Everspin公司开发, 被视为下世代内存技术的重要的竞争者. 2017年是MRAM技术爆发的一年, 当年在日本举办的大规模集成电路技术日本举办的大规模集成电路技术, 系统和应用国际研讨会, 格罗方德与 Everspin公司共同发布有抗热消磁eMRAN技术, 具能够让数据在摄氏150度下保存数据, 可长达十数年的22奈米制程的制程技术, 预计2017年底, 2018年投产.
而曾经投入内存研发生产, 但却不敌成本高昂而退出内存市场的台积电, 在2017年台积电技术论坛中, 揭露已具备22奈米制程嵌入式磁阻式内存(eMRAM)的生产技术, 预定2018年试产.
RRAM其优点是消耗电力较NAND低, 且写入信息速度比NAND闪存快1万倍, 主要投入研究的厂商有美光, Sony, 三星.
台积电也已宣布具备生产22奈米eRRAM技术. 3D XPoint技术的主要厂商为英特尔与美光, 采用多层线路构成的三维结构, 并采用栅状电线电阻来表示0和1, 原理类似RRAM.
为储存装置的良好的替代品, 具有比NAND闪存快了近1,000倍, 也可用于指令周期要求低的计算应用.
STT-MRAM是运用量子力学的电子自旋角动量的技术应用, 具有DRAM和SRAM的高性能且低功耗, 并兼容现有的CMOS制造技术与制程.
目前主要投入厂商有IBM与三星, SK海力士和东芝, 其中IBM和三星在IEEE发布研究论文表示, 已成功实现10奈秒的传输速度和超省电架构.
尽管下世代内存未来有望取代部分DRAM与NAND闪存的市场, 甚至取代旧有技术. 但是笔者认为, 随着人工智能, 物联网装置与更多的数据收集与感测需求, 下世代的内存技术首先将着眼于以新应用的需求为主, 如台积电锁定的嵌入式内存, 并充分发挥运算与储存二合一的优势, 进一步微缩大小, 达到组件更高的市场渗透率.
但是若从厂商动态来看, 22奈米的eMRAM技术将于2018年年后逐渐成熟, 并开始有大量的市场应用.
(作者是国家实验研究院科技政策研究与信息中心研究员) 经济日报
2.新需求爆发 内存动能强;
现代电子产品中, 内存扮演不可或缺的重要的角色. 2017年半导体产业产值预估首次超过4,000亿美元, 其中原因之一是内存需求大增, 厂商能提高售价, 2017年营收成长约五成, 南韩三星是最大的内存供货商, 获利最大. 这波内存热潮预计被新兴的需求继续推动, 物联网, 穿戴式装置, 云端储存和巨量数据运算等都将成带动内存市场的动能.
目前内存依储存特性, 以断电后数据是否消失可分为挥发性和非挥发性内存, 挥发性内存断电后数据不能留存, 成本较高但是速度快, 通常用于数据暂存; 非挥发性内存访问速度较慢, 但可长久保存数据.
静态随机存取内存(SRAM)与动态随机存取内存(DRAM)常被大量使用在计算机系统及电子产品中, 做为数据暂存用之挥发性内存. DRAM目前以PC/NB与行动应用为主, 但在支持虚拟化, 绘图及其他复杂, 实时工作应用上也将逐年增加. DRAM从80年代前全球超过20家公司制造, 目前只剩三星 (Samsung) , SK海力士 (SK Hynix) 与美光 (Micron) 等三家寡占市场, 应用种类从主要PC类扩及消费性电子 (如 iPod) , 手机, 平板计算机, 穿戴装置, 智能汽车, 无人驾驶车对 DRAM的需求也愈来愈高.
只读存储器 (ROM) 或可擦写式内存如传统机械式硬盘 (HDD) , 固态硬盘 (SSD) , 闪存 (Flash Memory) 等虽然有不同的读写特性, 但皆是在电源被切断后仍可长时间保存数据. 其中Flash的操作速度与一般硬盘相比还是比较快, 所以逐渐成为主流.
Flash内存的架构和ROM可分为并联式(NOR)跟串联式(NAND), 并联式闪存(NOR-Flash)常见于主板BIOS, 串联式闪存(NAND-Flash) 常见于一般消费性电子产品, 如手机, 随身碟, SSD等, NAND Flash随着制程技术不断进化, 单位容量成本不断下降, 已在智能手机, 嵌入式装置与工控应用大量普及, 近年来应用于大数据数据储存及愈来愈多笔记本电脑的固态硬盘需求增加, 由NAND-Flash所制成的SSD有逐渐取代一般硬盘的趋势. 主要厂商为三星, 东芝与SK海力士等.
DRAM及NAND Flash在特性与成本上具有互补性, 前者每秒传输带宽大, 单位成本较高且消耗功率较大; 后者传输速度慢, 每单位成本较低且消耗功率低, 因此两者在市场与功能上有区隔性, 也构成目前内存产品两大阵营, 因应物联网, 大数据与云端等数据爆发性成长世代来临, 内存不管是独立或嵌入式, 都将是系统架构的关键组件.
展望2020年时, 全球内存市场规模为795.1亿美元, 其中DRAM占38.9%, NAND Flash占55.1%, 下世代内存的占比则跃升为2.0%.
然而, 由于主流内存DRAM与NAND在微缩制程上已出现瓶颈与影响, 因此找出替代性的解决方案或改变电路等, 以因应未来数据储存需求, 将是目前内存产业最重要的议题.
开发下世代内存的三大衡量标准包括成本, 组件效能, 可微缩性与密度等, 其中成本需考虑内存颗粒, 模块与控制电路等总体; 组件效能则包含延迟时间, 可靠度, 数据保存耐久度等.
下世代的内存, 目前普遍朝向改变过去储存电荷来存取数据的方式, 藉由改变储存状态机制解决制程上的限制, 另外, 低功耗为下世代内存甚至组件的共通目标. 台湾拥有全球最先进的制程及优秀组件与电路研发人才, 在内存研发站在相当有利的位置. 应把握优势, 完善电子产业生态链, 避免受制于国外大厂对内存市场的垄断, 在全球站稳地位, 保持台湾产业的竞争力. (作者是国家实验研究院科技政策研究与信息中心研究员)
STPI简介
国家实验研究院科技政策研究与信息中心 (STPI) 成立于1974年, 长期以来专责于我国科技研究发展所需数据之搜集, 建置, 分析, 处理与服务等事务. 近年来在既有之信息资源基础上, 强化趋势研析, 关键议题发掘, 专利情报分析, 创新创业推动等能量, 并协助政府擘划我国科技发展之愿景与策略, 以朝向专业之科技政策研究智库迈进. 经济日报
3.Immervision和Socionext将合作提供panomorphEYE开发工具包;
蒙特利尔--(BUSINESS WIRE)----(美国商业资讯)--Immervision和Socionext今天宣布建立战略合作伙伴关系, 为机器人, 汽车, 无人机等各类智能设备的人工智能(AI)和机器学习(ML)应用共同开发首个全面的智能视觉传感系统. PanomorphEYE开发包计划于2018年7月发布和上市.
'通过我们两家公司间的合作, 每个人都有可能用上为智能设备和机器开发的智能视觉系统. 智能视觉和先进的SoC设计与板载传感器的独特结合使任何人都能想象出更智能的产品. '
Tweet this
panomorphEYE融合了立体3D, 360度环绕影像, 时差测距(TOF), 陀螺仪, 指南针和其他传感器, 对快速原型设计, 缩短产品上市时间以及增强产品能力均具有无可估量的价值.
Immervision将人性因素引入全球设备, 通过独特的全景广角图像捕捉, Data-In-Picture和图像处理能力实现智能视觉, 增强人类感知周围环境的能力.
Socionext为片上系统(SoC)体系提供无与伦比的专业技术, 为当今领先的设备提供成像, 网络和计算能力. 两家公司共同承诺提供更优的视觉能力, 自主性和智能, 帮助当今的设备看到更多, 看得更智能.
ImmerVision执行副总裁兼首席商务官Alessandro Gasparini解释道: '通过我们两家公司间的合作, 每个人都有可能用上为智能设备和机器开发的智能视觉系统. 智能视觉和先进的SoC设计与板载传感器的独特结合使任何人都能想象出更智能的产品. '
Socionext公司高级副总裁Mitsugu Naito表示: 'Immervision和Socionext之间的成功合作一直为各种相机和图像处理应用提供前沿的解决方案. 今天我很高兴地宣布, 双方的战略合作关系进入了一个新的阶段. 我们将进一步提高人类和机器视觉的能力, 帮助人们过上更高效和更安全的生活. ' 美国商业资讯
4.让AI个性化而且功耗更低 IBM研发新型神经网络芯片
【网易智能讯6月16日消息】在GPU上运行的神经网络已经在人工智能领域取得了一些惊人的进步, 但这两者的合作还并不完美. IBM的研究人员希望能设计出一种专门用于运行神经网络的新的芯片, 从而提供更快, 更有效的替代方案.
直到本世纪初, 研究人员才意识到, 为视频游戏设计的GPU (图形处理单元) 可以被用作硬件加速器, 以运行比以前更大的神经网络.
这要归功于这些芯片能够并行进行大量计算, 而不是像传统CPU那样按顺序处理它们. 这对于同时计算构成深度学习神经网络的数百个神经元的权重特别有用.
GPU的引入使这一领域得到了发展, 但这些芯片仍然需要将处理和存储分开, 这意味着大量的时间和精力都花在了两者之间的数据传输上. 这促使人们开始研究新的存储技术, 这些技术能够存储和处理同一位置的权重数据, 从而提高速度和能源效率.
这种新的存储设备通过调整它们的电阻水平, 以模拟的形式存储数据——也就是说, 数据被存储在一个连续的范围内, 而不是数字存储器的二进制1和0. 因为信息存储在存储单元的电导中, 所以可以简单地在存储单元间传递电压并让系统通过物理方法来进行计算.
但是这些设备固有的物理缺陷意味着它们的行为并不一致, 这导致了目前使用它们来训练神经网络的分类精度明显低于使用GPU.
'我们可以在一个比GPU更快的系统上进行训练, 但如果训练操作不那么准确, 那是没有用的, ' 领导该项目的IBM Research博士后研究员Stefano Ambrogio在接受Singularity Hub采访时说, '到目前为止, 还没有证据表明使用这些新设备能像使用GPU一样精确. '
但研究又有了新的进展. 在上周发表在《自然》杂志上的一篇论文中, Ambrogio和他的同事们描述了他们是如何利用新兴的模拟记忆和更传统的电子元件组合来创造出一种芯片, 这种芯片可以与GPU的精度相匹配, 同时运行速度更快, 能耗更少.
这些新的存储技术难以训练深层神经网络的原因是, 这个过程需要将每个神经元的权重进行上下数千次的刺激, 直到网络完全对齐. 改变这些设备的电阻需要重新配置它们的原子结构, 而且每次的操作过程都不一样, Ambrogio说. 这些刺激并不总是完全相同, 这导致了对神经元权重的不精确的调整.
研究人员通过创造 '突触单元' 来解决这个问题, 这些 '突触单元' 每一个都对应于网络中的单个神经元, 同时具有长期和短期记忆. 每个单元格由一对相变存储器 (PCM) 单元和三个晶体管以及一个电容的组合构成, PCM在电阻中存储权重数据, 电容将权重数据存储为电荷.
PCM是一种 '非易失性存储器' , 这意味着即使没有外部电源, 它也能保留存储的信息, 而电容器是 '易失性的' , 所以只能在几毫秒内保持它的电荷. 但是电容器没有PCM设备的可变性, 因此可以快速而准确地编程.
当神经网络对图像进行训练以完成分类任务时, 只有电容器的权重会被更新. 在浏览到几千张图片后, 权重数据会被转移到PCM单元进行长期存储. PCM的可变性意味着, 权重数据的转移仍然有可能包含错误, 但是由于该单元只是偶尔更新, 所以可以在不增加系统复杂性的情况下再次检查电导. Ambrogio说, 如果直接在PCM单元上进行训练, 这就不可行了.
为了测试他们的设备, 研究人员对他们的网络进行了一系列流行图像识别的基准测试, 结果达到了与谷歌领先的神经网络软件TensorFlow相当的精确度. 但重要的是, 他们预测, 最终构建出的芯片将比GPU的能效高280倍, 而且在每平方毫米面积上实现的算力将达到CPU的100倍. 值得注意的是, 研究人员还没有完全构建出这一芯片.
虽然在测试中使用了真正的PCM单元, 但其它组件是在计算机上模拟的. Ambrogio表示, 他们希望在投入时间和精力打造完整的芯片之前, 先检查一下这种方法是否可行. 他说, 他们决定使用真正的PCM设备, 因为对这些设备的模拟还不太可靠, 但其它组件的模拟技术已经很成熟了, 他们有信心基于这个设计建立一个完整的芯片.
它目前也只能在全连接神经网络上与GPU竞争, 在这个神经网络中, 每个神经元都与上一层的神经元相连接, Ambrogio说. 但实际上许多神经网络并没有完全连接, 或者只有某些层完全连接在一起.
但Ambrogio说, 最终的芯片将被设计成可以与GPU合作的形式, 从而在处理其它连接时也能够处理全连接层的计算. 他还认为, 这种处理全连接层的更有效的方法可以被更广泛地应用.
这样的专用芯片能够使哪些事情成为可能?
Ambrogio说, 有两个主要的应用: 一是将人工智能应用到个人设备上, 二是使数据中心更加高效. 后者是大型科技公司的一大担忧, 因为它们的服务器消耗了大量的电费.
如果直接在个人设备上应用人工智能, 用户就可以不必在云端分享他们的数据, 从而增加隐私性, 但Ambrogio说, 更令人兴奋的前景是人工智能的个性化.
他说: '在你的汽车或智能手机上应用这个神经网络, 它们就能够不断地从你的经验中学习. '
'你的手机会专门针对你的声音进行个性化, 你的汽车也会根据你的习惯形成独特的驾驶方式. '