1. Speichertechnologie der nächsten Generation: Die vier Technologien haben das größte Potenzial;
Mit dem Aufkommen von mobilen Geräten, Netzwerkanwendungen, für die energieeffiziente Datenspeicher und Speichertechnologie zur Zeit steigenden Nachfrage nach DRAM-Speicher und NAND-Flash-Speicher-Technologie in den Mainstream, aber nicht schnell Lese- und Schreibgeschwindigkeiten von DRAM zum Speichern von Daten für eine lange Zeit ;. NAND-Flash Daten können, aber schlechte Lese- und Schreibgeschwindigkeit gespeichert werden.
Während sowohl computing, Speicherkapazität des Speichers der nächsten Generation, wie beispielsweise einen magnetoresistiven Speicher (MRAM), resistive RAM (RRAM), 3D-XPoint Technologie und High-Potential der Elektronenspinmagnetspeicher (STT-MRAM), usw., um die nächsten zu werden, der neue Liebling der Generation-Speichertechnologie.
MRAM-Technologie in einer akademischen Zugriffsgeschwindigkeit übertreffen wird DRAM zu dem SRAM der Nähe zu erreichen, und die Daten werden nicht nach einem Stromausfall verloren, früh entwickelt von Everspin Unternehmen wird als die nächste Generation von Speichertechnologie wichtigen Konkurrenten gesehen. 2017 Ausbruch der MRAM-Technologie ist ein Jahre, LSI-Technologie LSI-Technologie dann in Japan in Japan gehalten organisierten Anwendungen einer internationale Seminar und das System hat Global gemeinsam mit Everspin thermischer Entmagnetisierung emran Technologie ausgegeben werden, die Daten mit Celsius erlaubt Daten bei 150 Grad gespeichert ist, bis zu mehr als einem Jahrzehnt der Prozesstechnologie Prozess 22 nm sein kann, wird es durch das Ende 2017, 2018 und in die Produktion zu erwarten.
Der Speicher ist in R & D gesetzt, verlor aber teuren Speichermarkt TSMC, TSMC 2017 Technology Forum zurückzuziehen, hat aussetzt bereits 22-Nanometer-Prozess eingebettet magnetoresistiven Speicher (Emram) Produktionstechnologie, geplant 2018 in Probeproduktion.
RRAM Der Vorteil ist, einen geringeren Stromverbrauch an die NAND verglichen und schreiben Informationen schneller als NAND-Flash-Speicher 10.000 Mal haben die großen Hersteller in Forschung Micron setzen, Sony, Samsung.
TSMC hat dich mit der Herstellung von 22 nm angekündigt eRRAM Technik. 3D XPoint Art große Hersteller wie Intel und Micron, die dreidimensionale Struktur einer Mehrschichtverdrahtungskonfiguration verwendet wird, der Drahtwiderstand und die Verwendung eines Gitters für 0 und 1 ist, ähnlich wie ein RRAM im Prinzip.
Ist eine gute Alternative zu Speichergeräten mit fast 1000-mal schneller als dem NAND-Flash-Speicher, kann auch für den Befehlszyklus erfordert Anwendungen geringe Rechen verwendet werden.
STT-MRAM ist eine Anwendung der Quantenspinell-Drehimpuls-Technologie, hat eine hohe Leistungsfähigkeit und einen niedrigen Energieverbrauch von DRAM und SRAM und ist mit bestehenden CMOS-Herstellungstechnologien und -prozessen kompatibel.
Derzeit sind IBM und Samsung, SK Hynix und Toshiba die wichtigsten Anbieter. IBM und Samsung haben Forschungsarbeiten im IEEE veröffentlicht, die zeigen, dass sie erfolgreich 10 Nanosekunden Übertragungsgeschwindigkeit und eine supersparende Architektur erreicht haben.
Obwohl die Zukunft der Speicher der nächsten Generation erwartet wird Teil des DRAM und NAND-Flash-Speichermarkt zu ersetzen, oder auch die alte Technik zu ersetzen. Aber ich glaube, dass mit künstlicher Intelligenz, Netzwerkgeräte und Datenerfassung und Mess Nachfrage, Speichertechnologie der nächsten Generation zuerst wir konzentrieren uns auf die Hauptforderung von neuen Anwendungen, wie TSMC eingebettete Speicher gesperrt, und die volle spielen die Vorteile von Rechen- und Speicher Combo und weitere Miniaturgröße, höhere Marktdurchdringung Montage zu erzielen.
Wenn jedoch der Verkäufer dynamische Sicht die 22-Nanometer-Technologie Mitte 2018 nach Emram reif und beginnt eine große Anzahl von Marktanwendungen zu haben.
(Der Autor ist eine Politik, Forscher am Nationalen Zentrum für Forschung und Information Research Laboratories) Economic Daily
2. Der neue Ausbruch Speicher kinetischer Energiebedarf stark;
In modernen elektronischen Produkten spielt das Gedächtnis eine unverzichtbare Rolle: Im Jahr 2017 überschritt der Output-Wert der Halbleiterindustrie zum ersten Mal 400 Milliarden US-Dollar, was unter anderem darauf zurückzuführen ist, dass der Speicherbedarf so stark gestiegen ist, dass die Hersteller den Verkaufspreis steigern können 50 Prozent, Südkoreas Samsung ist der größte Speicherlieferant, der größte Gewinn.Diese Welle der Speicher-Boom wird voraussichtlich weiterhin von den aufkommenden Bedürfnissen, Internet der Dinge, tragbare Geräte, Cloud-Speicher und riesige Mengen von Datenverarbeitung getrieben werden den Speichermarkt treiben Kinetische Energie.
Je nach den Speichereigenschaften kann der aktuelle Speicher nach dem Ausschalten in flüchtige und nichtflüchtige Speicher unterteilt werden.Der flüchtige Speicher kann nicht beibehalten werden, nachdem der Strom ausgeschaltet wurde.Die Kosten sind hoch, aber die Geschwindigkeit ist schnell.Normalerweise verwendet für temporäre Datenspeicherung; Die Speicherzugriffsgeschwindigkeit ist langsam, aber es kann Daten für eine lange Zeit speichern.
Statischer Direktzugriffsspeicher (SRAM) und dynamischer Direktzugriffsspeicher (DRAM) werden in Computersystemen und elektronischen Produkten häufig als flüchtiger Speicher für temporäre Datenspeicher verwendet.DRAM wird derzeit in PC / NB- und mobilen Anwendungen verwendet. Hauptsächlich, aber es wird auch Jahr für Jahr zur Unterstützung von Virtualisierung, Zeichnung und andere komplexe, Echtzeit-Arbeit-Anwendungen zu erhöhen.DRAM wurde von mehr als 20 Unternehmen weltweit seit den 1980er Jahren hergestellt.Zur Zeit gibt es nur Samsung, SK Hynix, und Micron und andere drei Oligopolmärkte, die Anwendungskategorien aus der Haupt-PC-Klasse und Unterhaltungselektronik (wie iPod), Mobiltelefone, Tablet-Computer, tragbare Geräte, intelligente Autos, treiberlose Autos Nachfrage nach DRAM wächst auch.
Nur-Lese-Speicher (ROM) oder wiederbeschreibbare Speicher wie herkömmliche mechanische Festplatten (HDD), Solid-State-Festplatten (SSD), Flash-Speicher (Flash-Speicher) usw. haben unterschiedliche Lese- / Schreibeigenschaften, bleiben jedoch nach dem Abschalten der Stromversorgung erhalten. Es kann Daten für eine lange Zeit speichern.Flash-Betriebsgeschwindigkeit ist schneller als die der allgemeinen Festplatte, so dass es allmählich Mainstream wird.
Flash und ROM-Speicherarchitektur können in parallel (NOR) mit Tandem (NAND), ein parallel-Flash-Speicher (NOR-Flash) ist allgemein in dem BIOS, tandem-Typ-Flash-Speicher (NAND-Flash) aufgeteilt ist in der allgemeinen Unterhaltungselektronik üblich, wie Mobiltelefone, Flash-Laufwerke, SSD, usw., setzt NAND-Flash-Technologie mit dem Prozess zu entwickeln, hat die Einheit Kapazitätskosten weiter sinken, Embedded-Geräte in das Smartphone, gewesen und industrielle Anwendungen in den letzten Jahren eine große Popularität, in großen und wachsenden Datenspeicherung Erhöhung der Zahl der Notebook-SSDs Nachfrage, SSD gemacht durch den NAND-Flash, um die Festplatte eines allgemeinen Trends für die großen Hersteller Samsung, Toshiba und SK Hynix allmählich ersetzt hat.
DRAM und dem NAND-Flash mit komplementären Eigenschaften und Kosten, große Bandbreite früheren pro Sekunde und höhere Kosten pro Einheit von mehr Stromverbrauch, letztere Übertragungsgeschwindigkeit, einen geringeren Stromverbrauch und die Kosten pro Einheit gering ist, und daher beide auf die Marktsegmentierung und funktionellen Eigenschaften, sondern auch ein wesentlicher Bestandteil der Systemarchitektur bilden Speicherprodukte zur Zeit zwei Lager, in Reaktion auf die Dinge, die Einführung von großen Daten und Cloud-Daten, wie ein explosives Wachstum für Generationen, entweder eigenständig oder Speicher eingebettet ist, wird .
Mit Blick auf 2020, der weltweite Markt für Speichergröße von $ 79,51 Milliarden, von denen DRAM für 38,9% ausmachten, entfielen auf NAND-Flash für 55,1% entfielen auf den Speicher der nächsten Generation wird 2,0% gesprungen.
Aufgrund des Engpasses und der Auswirkung von Mainstream-Speicher-DRAM und NAND auf den Miniaturisierungsprozess wird das Finden alternativer Lösungen oder das Ändern von Schaltungen zur Erfüllung zukünftiger Datenspeicheranforderungen das wichtigste Thema in der gegenwärtigen Speicherindustrie sein.
Die drei Hauptmetriken zum Entwickeln der nächsten Speichergeneration umfassen Kosten, Komponentenleistung, Skalierbarkeit und Dichte usw., wobei Kosten Speicherpartikel, Module und Steuerschaltungen usw. umfassen, wobei die Komponentenleistung Latenz, Zuverlässigkeit und Datenerhaltungsbeständigkeit umfasst. Usw.
Die nächste Generation von Speicher, ist jetzt allgemein in Richtung auf den Weg über die gespeicherte Ladung Ändern von Daten durch eine Änderung der Mechanismus gespeichert für den Zugriff auf die staatlichen Beschränkungen des Prozesses, aber auch geringen Stromverbrauch für das gemeinsame Ziel der nächsten Generation von Speicherkomponenten und sogar Taiwan hat die weltweit zu lösen Der fortgeschrittene Prozess und ausgezeichnete Komponenten- und Kreislauf-F & E-Talente sind in einer sehr vorteilhaften Position in der Gedächtnis R & D. Wir sollten die Vorteile erfassen, verbessern die elektronische Industrie ökologische Kette, vermeiden, dem Monopol des ausländischen Marktes durch den Speichermarkt zu unterliegen und seine Position auf dem globalen Markt zu behaupten. die Wettbewerbsfähigkeit von Taiwans Industrie. (die Schreiber ist eine Politik, Forscher am nationalen Zentrum für Forschung und Information Research Laboratories)
STPI Profil
Nationales Institut für Experimentelle Wissenschafts- und Technologiepolitik Forschungs- und Informationszentrum (STPI) im Jahr 1974 gegründet wurde, ist es seit langem gewidmet die Forschung und Entwicklung von Wissenschaft und Technologie, um die notwendigen Daten zu sammeln, zu bauen, zu analysieren, zu verarbeiten und Service-Themen. In der letzten Jahren sowohl in der Informations Ressourcenbasis und Stärkung der Analyse Forschung Entwicklung, Schlüsselfragen zu erforschen, zum Patent Intelligence-Analysen, Innovation und Unternehmertum gleiche Energie zu fördern, und die Regierung zu unterstützen, die Vision und Strategie der wissenschaftlichen und technologischen Entwicklung kartieren, in Richtung Politikforschung Denkfabrik nach vorn in der Technologie spezialisiert hat. Wirtschaftstag
3.Immervision und Socionext werden zusammenarbeiten, panomorphEYE Development Kit zur Verfügung zu stellen;
MONTREAL - (BUSINESS WIRE) - Immervision und Socionext gaben heute die Gründung einer strategischen Partnerschaft für künstliche Intelligenz (KI) und Roboter für Roboter, Automobile, Drohnen und andere intelligente Geräte bekannt. Learning (ML) -Anwendungen zur gemeinsamen Entwicklung des ersten umfassenden intelligenten Vision-Sensor-Systems Das PanomorphEYE-Entwicklungskit soll im Juli 2018 auf den Markt kommen.
Durch die Zusammenarbeit unserer beiden Unternehmen hat jeder das Potenzial, Smart-Vision-Systeme für intelligente Geräte und Maschinen zu nutzen, denn die einzigartige Kombination aus intelligentem Sehen und fortschrittlichem SoC-Design mit integrierten Sensoren ermöglicht es jedem, sich vorzustellen Intelligente Produkte. "
Dies
panomorphEYE Fusion Perspektive 3D, 360 ° um das Bild, das ToF (TOF), Gyroskop, Kompass und andere Sensoren, Rapid Prototyping, Zeit reduziert die Fähigkeit auf dem Markt und haben das Produkt von unschätzbarem Wert zu verbessern.
Immervision die menschlichen Aspekte in der globalen Geräte durch ein einzigartiges Panorama-Weitwinkel-Bild zu erfassen, Daten-in-Bild und Bildverarbeitungsfunktionen intelligente Vision zu erreichen, die Fähigkeit der menschlichen Wahrnehmung Umgebung verbessern.
Socionext bietet System-on-Chip (SoC) System eine einzigartige Expertise, bietet Bildgebung, Vernetzung und Rechenleistung für führende Ausrüstung von heute. Zusammen werden die Unternehmen, die sich überlegene Sichtfähigkeit, Autonomie und Intelligenz der heutigen Geräte zu helfen, um zu sehen, weitere Informationen finden sich intelligenter.
Immervision Executive Vice President und Chief Business Officer Alessandro Gasparini erklärt: ‚durch die Zusammenarbeit zwischen unseren beiden Unternehmen, jeder intelligente Vision-System für intelligente Geräte und die Entwicklung intelligenter Machine Vision und fortschrittliche SoC-Design und Board verbringen. die einzigartige Kombination von on-Board-Sensoren ermöglicht es jedem, eine intelligentere Produkte vorzustellen. "
Mitsugu Naito, Senior Vice President Socionext Firma sagte: ‚erfolgreiche Zusammenarbeit zwischen der Immervision und Socionext verschiedenen Kamera- und Bildverarbeitungsanwendungen gewesen Spitzenlösungen für heute zu schaffen, ich bin sehr erfreut, ihre strategische Partnerschaft bekannt zu geben, eine neue eingegeben. Stufe. wir werden weiter die Fähigkeit von Mensch und Maschine Vision verbessern Menschen leben, eine effizientere und sicherere Leben zu helfen. ‚Business Wire
4. KI personalisieren und weniger Strom verbrauchen IBM entwickelt neue neuronale Netzwerkchips
"NetEase Smart News 16. Juni News" auf der GPU auf dem neuronalen Netzwerk hat einige erstaunliche Fortschritte im Bereich der künstlichen Intelligenz gemacht, aber die Zusammenarbeit zwischen den beiden ist nicht perfekt. IBM Forscher hoffen, eine Art zu entwerfen Speziell für neue Netzwerke neuronaler Netzwerke, die schnellere und effizientere Alternativen bieten.
Erst zu Beginn dieses Jahrhunderts erkannten die Forscher, dass GPUs (Graphics Processing Units), die für Videospiele entwickelt wurden, als Hardwarebeschleuniger für größere neuronale Netze als bisher verwendet werden können.
Dies ist auf eine große Anzahl dieser Chips kann parallel berechnet werden, anstatt in der Reihenfolge, wie sie wie eine herkömmliche CPU verarbeitet werden. Dies ist besonders nützlich, wenn die richtige Tiefe lernenden neuralen Netzwerk von Hunderten von Neuronen zusammengesetzt ist schwer zu berechnen.
Die Einführung der GPU in diesem Bereich entwickelt worden, aber diese Chips müssen noch Verarbeitung und Lagerung trennen, die viel Zeit und Mühe Mittel auf die Datenübertragung zwischen den beiden aufgewendet. Dies veranlasste die Menschen eine neue Suche zu starten Speichertechnologien, die Gewichtsdaten am selben Ort speichern und verarbeiten können und dadurch die Geschwindigkeit und Energieeffizienz erhöhen.
Die neuen Speichervorrichtungen speichern Daten in analoger Form, indem sie ihre Widerstandspegel einstellen - das heißt, die Daten werden in einem kontinuierlichen Bereich anstelle des Binärspeichers von binär 1 und 0 gespeichert, weil die Information in dem Speicher gespeichert ist. In der Leitfähigkeit der Zelle ist es daher möglich, einfach die Spannung zwischen den Speicherzellen zu übertragen und das System die Berechnung durch physikalische Mittel durchführen zu lassen.
Die inhärenten physikalischen Defekte dieser Vorrichtungen bedeuten jedoch, dass ihr Verhalten inkonsistent ist, was dazu führt, dass die derzeitige Klassifikationsgenauigkeit, sie zum Trainieren neuronaler Netze zu verwenden, signifikant geringer ist als die Verwendung von GPU.
"Wir können auf einem schnelleren System als GPU trainieren, aber wenn das Training nicht so genau ist, wäre das nutzlos", sagte Stefano Ambrogio, ein Postdoktorand bei IBM Research, der das Projekt leitete, in einem Interview mit Singularity Hub. Bislang gibt es keinen Beweis dafür, dass die Verwendung dieser neuen Geräte so genau sein kann wie die Verwendung einer GPU.
Aber die Forschung hat neue Fortschritte gemacht: In einem Artikel, der letzte Woche in der Zeitschrift Nature veröffentlicht wurde, beschrieben Ambrogio und seine Kollegen, wie sie neue analoge Erinnerungen und traditionellere elektronische Komponenten für ihre Arbeit nutzen Ein Chip, der die Geschwindigkeit der GPU mit höherer Geschwindigkeit und geringerem Stromverbrauch erreichen kann.
Der Grund, warum diese neuen Speichertechnologien schwierig sind, tiefe neuronale Netze zu trainieren, ist, dass dieser Prozess die Stimulation jedes Neurons tausende Male hoch und runter erfordert, bis das Netzwerk vollständig ausgerichtet ist.Um den Widerstand dieser Vorrichtungen zu ändern, müssen ihre atomaren Strukturen neu konfiguriert werden. Und jedes Mal, wenn der Operationsprozess anders ist, sagte Ambrogio: Diese Stimuli sind nicht immer die gleichen, was zu einer ungenauen Einstellung des Gewichts der Neuronen führt.
Forscher haben dieses Problem gelöst, indem sie "synaptische Einheiten" geschaffen haben, von denen jede einem einzelnen Neuron im Netzwerk mit Langzeit- und Kurzzeitgedächtnis entspricht. Jede Zelle besteht aus einem Paar von Phasenänderungsspeichern ( Die Kombination aus einer PCM-Zelle und drei Transistoren und einem Kondensator speichert das PCM Gewichtsdaten in dem Widerstand und der Kondensator speichert die Gewichtsdaten als eine Ladung.
PCM ist eine Art "nichtflüchtiger Speicher", was bedeutet, dass selbst wenn keine externe Energiequelle vorhanden ist, die gespeicherten Informationen gespeichert werden können und der Kondensator "flüchtig" ist, so dass er seine Ladung nur innerhalb weniger Millisekunden aufrechterhalten kann. Aber Kondensatoren haben keine Variabilität von PCM-Geräten und können daher schnell und genau programmiert werden.
Wenn das neuronale Netzwerk das Bild zum Abschluss der Klassifizierungsaufgabe trainiert, wird nur das Gewicht des Kondensators aktualisiert.Nach Betrachtung von einigen tausend Bildern werden die Gewichtsdaten zur Langzeitspeicherung an die PCM-Einheit übertragen.Die Variabilität des PCM bedeutet das Gewicht Die Übertragung von Daten kann immer noch Fehler enthalten, aber da die Einheit nur gelegentlich aktualisiert wird, kann der Leitwert erneut überprüft werden, ohne die Komplexität des Systems zu erhöhen.Ambrogio sagte, dass, wenn direkt an der PCM-Einheit trainiert wird, dies nicht durchführbar ist.
Um ihr Gerät zu testen, die Forscher in ihrem Netzwerk eine Reihe von populären Bilderkennungs-Benchmark-Ergebnisse erzielt TensorFlow ziemlicher Genauigkeit und Google führende neuronale Netzwerk-Software durchgeführt. Aber es ist wichtig, sie vorhersagen, und schließlich bauen Der Chip wird 280-mal effizienter sein als die GPU, und die Rechenleistung pro Quadratmillimeter ist 100-mal so hoch wie die der CPU, wobei die Forscher den Chip noch nicht vollständig gebaut haben.
Obwohl reale PCM-Einheiten in den Tests verwendet wurden, wurden andere Komponenten am Computer simuliert.Ambrogio gab an, dass sie hoffen, zu überprüfen, ob diese Methode machbar ist, bevor sie Zeit und Aufwand investieren, um einen vollständigen Chip zu bauen Beschlossen, echte PCM-Ausrüstung zu verwenden, weil die Simulation dieser Geräte noch nicht zuverlässig ist, aber die analoge Technologie anderer Komponenten bereits ausgereift ist, sind sie zuversichtlich, einen vollständigen Chip basierend auf diesem Design zu bauen.
Es kann nur mit GPUs in vollständig verbundenen neuronalen Netzen konkurrieren.In diesem neuronalen Netzwerk ist jedes Neuron mit den Neuronen auf der oberen Schicht verbunden, sagte Ambrogio, aber in Wirklichkeit sind viele neuronale Netzwerke nicht vollständig verbunden. Oder nur einige Schichten sind vollständig miteinander verbunden.
Ambrogio sagte jedoch, dass der endgültige Chip für die Zusammenarbeit mit GPUs ausgelegt sei, so dass er auch Berechnungen für die gesamte Verbindungsschicht im Umgang mit anderen Verbindungen durchführen könne und dass diese effizientere Methode für den Umgang mit vollständig verbundenen Schichten sein könne Weit verbreitet.
Was ist mit so einem dedizierten Chip möglich?
Ambrogio sagte, es gebe zwei Hauptanwendungsbereiche: erstens, künstliche Intelligenz auf persönliche Geräte anzuwenden und zweitens Rechenzentren effizienter zu machen, letzteres ist ein großes Problem für große Technologieunternehmen, da ihre Server viel Strom verbrauchen.
Wenn künstliche Intelligenz direkt auf persönliche Geräte angewendet wird, können Benutzer ihre Privatsphäre schützen, indem sie ihre Daten nicht in der Cloud teilen müssen, aber Ambrogio sagte, dass die aufregende Aussicht die Personalisierung künstlicher Intelligenz ist.
Er sagte: "Indem Sie dieses neuronale Netzwerk auf Ihr Auto oder Smartphone anwenden, können Sie weiterhin von Ihrer Erfahrung lernen."
"Ihr Mobiltelefon wird für Ihre Stimme personalisiert, Ihr Auto basiert auch auf Ihren Gewohnheiten, um einen einzigartigen Fahrstil zu schaffen."