1.下一代儲存技術盤點:四種技術潛力最大;
隨著移動設備, 物聯網應用的興起, 對於節能的數據儲存與記憶體技術需求日益增加. 目前的記憶體技術以DRAM與NAND快閃記憶體為主流, 但DRAM的讀寫速度快無法長時間儲存數據; NAND Flash能保存數據, 但讀寫速度不佳.
同時兼具運算, 儲存能力的下世代記憶體, 如磁阻式記憶體(MRAM), 電阻式記憶體(RRAM), 3D XPoint技術與高潛力的自旋電子磁性記憶體(STT-MRAM)等, 就成為下世代記憶體技術的新寵兒.
MRAM的技術在學理上訪問速度將超越DRAM達到接近SRAM, 且斷電後數據不流失, 早期由Everspin公司開發, 被視為下世代記憶體技術的重要的競爭者. 2017年是MRAM技術爆發的一年, 當年在日本舉辦的大規模整合電路技術日本舉辦的大規模整合電路技術, 系統和應用國際研討會, 格羅方德與 Everspin公司共同發布有抗熱消磁eMRAN技術, 具能夠讓數據在攝氏150度下保存數據, 可長達十數年的22奈米製程的製程技術, 預計2017年底, 2018年投產.
而曾經投入記憶體研發生產, 但卻不敵成本高昂而退出記憶體市場的台積電, 在2017年台積電技術論壇中, 揭露已具備22奈米製程嵌入式磁阻式記憶體(eMRAM)的生產技術, 預定2018年試產.
RRAM其優點是消耗電力較NAND低, 且寫入資訊速度比NAND快閃記憶體快1萬倍, 主要投入研究的廠商有美光, Sony, 三星.
台積電也已宣布具備生產22奈米eRRAM技術. 3D XPoint技術的主要廠商為英特爾與美光, 採用多層線路構成的三維結構, 並採用柵狀電線電阻來表示0和1, 原理類似RRAM.
為儲存裝置的良好的替代品, 具有比NAND快閃記憶體快了近1,000倍, 也可用於指令周期要求低的計算應用.
STT-MRAM是運用量子力學的電子自旋角動量的技術應用, 具有DRAM和SRAM的高性能且低功耗, 併兼容現有的CMOS製造技術與製程.
目前主要投入廠商有IBM與三星, SK海力士和東芝, 其中IBM和三星在IEEE發布研究論文表示, 已成功實現10奈秒的傳輸速度和超省電架構.
儘管下世代記憶體未來有望取代部分DRAM與NAND快閃記憶體的市場, 甚至取代舊有技術. 但是筆者認為, 隨著人工智慧, 物聯網裝置與更多的數據收集與感測需求, 下世代的記憶體技術首先將著眼於以新應用的需求為主, 如台積電鎖定的嵌入式記憶體, 並充分發揮運算與儲存二合一的優勢, 進一步微縮大小, 達到組件更高的市場滲透率.
但是若從廠商動態來看, 22奈米的eMRAM技術將於2018年年後逐漸成熟, 並開始有大量的市場應用.
(作者是國家實驗研究院科技政策研究與資訊中心研究員) 經濟日報
2.新需求爆發 記憶體動能強;
現代電子產品中, 記憶體扮演不可或缺的重要的角色. 2017年半導體產業產值預估首次超過4,000億美元, 其中原因之一是記憶體需求大增, 廠商能提高售價, 2017年營收成長約五成, 南韓三星是最大的記憶體供貨商, 獲利最大. 這波記憶體熱潮預計被新興的需求繼續推動, 物聯網, 穿戴式裝置, 雲端儲存和巨量數據運算等都將成帶動記憶體市場的動能.
目前記憶體依儲存特性, 以斷電後數據是否消失可分為揮發性和非揮發性記憶體, 揮發性記憶體斷電後數據不能留存, 成本較高但是速度快, 通常用於數據暫存; 非揮發性記憶體訪問速度較慢, 但可長久保存數據.
靜態隨機存取記憶體(SRAM)與動態隨機存取記憶體(DRAM)常被大量使用在計算機系統及電子產品中, 做為數據暫存用之揮發性記憶體. DRAM目前以PC/NB與行動應用為主, 但在支援虛擬化, 繪圖及其他複雜, 即時工作應用上也將逐年增加. DRAM從80年代前全球超過20家公司製造, 目前只剩三星 (Samsung) , SK海力士 (SK Hynix) 與美光 (Micron) 等三家寡佔市場, 應用種類從主要PC類擴及消費性電子 (如 iPod) , 手機, 平板計算機, 穿戴裝置, 智能汽車, 無人駕駛車對 DRAM的需求也愈來愈高.
只讀存儲器 (ROM) 或可擦寫式記憶體如傳統機械式硬碟 (HDD) , 固態硬碟 (SSD) , 快閃記憶體 (Flash Memory) 等雖然有不同的讀寫特性, 但皆是在電源被切斷後仍可長時間保存數據. 其中Flash的操作速度與一般硬碟相比還是比較快, 所以逐漸成為主流.
Flash記憶體的架構和ROM可分為並聯式(NOR)跟串聯式(NAND), 並聯式快閃記憶體(NOR-Flash)常見於主板BIOS, 串聯式快閃記憶體(NAND-Flash) 常見於一般消費性電子產品, 如手機, 隨身碟, SSD等, NAND Flash隨著製程技術不斷進化, 單位容量成本不斷下降, 已在智能手機, 嵌入式裝置與工控應用大量普及, 近年來應用於大數據數據儲存及愈來愈多筆記型電腦的固態硬碟需求增加, 由NAND-Flash所製成的SSD有逐漸取代一般硬碟的趨勢. 主要廠商為三星, 東芝與SK海力士等.
DRAM及NAND Flash在特性與成本上具有互補性, 前者每秒傳輸頻寬大, 單位成本較高且消耗功率較大; 後者傳輸速度慢, 每單位成本較低且消耗功率低, 因此兩者在市場與功能上有區隔性, 也構成目前記憶體產品兩大陣營, 因應物聯網, 大數據與雲端等數據爆發性成長世代來臨, 記憶體不管是獨立或嵌入式, 都將是系統架構的關鍵組件.
展望2020年時, 全球記憶體市場規模為795.1億美元, 其中DRAM佔38.9%, NAND Flash佔55.1%, 下世代記憶體的佔比則躍升為2.0%.
然而, 由於主流記憶體DRAM與NAND在微縮製程上已出現瓶頸與影響, 因此找出替代性的解決方案或改變電路等, 以因應未來數據儲存需求, 將是目前記憶體產業最重要的議題.
開發下世代記憶體的三大衡量標準包括成本, 組件效能, 可微縮性與密度等, 其中成本需考慮記憶體顆粒, 模組與控制電路等總體; 組件效能則包含延遲時間, 可靠度, 數據保存耐久度等.
下世代的記憶體, 目前普遍朝向改變過去儲存電荷來存取數據的方式, 藉由改變儲存狀態機制解決製程上的限制, 另外, 低功耗為下世代記憶體甚至組件的共通目標. 台灣擁有全球最先進的製程及優秀組件與電路研發人才, 在記憶體研發站在相當有利的位置. 應把握優勢, 完善電子產業生態鏈, 避免受制於國外大廠對記憶體市場的壟斷, 在全球站穩地位, 保持台灣產業的競爭力. (作者是國家實驗研究院科技政策研究與資訊中心研究員)
STPI簡介
國家實驗研究院科技政策研究與資訊中心 (STPI) 成立於1974年, 長期以來專責於我國科技研究發展所需數據之搜集, 建置, 分析, 處理與服務等事務. 近年來在既有之資訊資源基礎上, 強化趨勢研析, 關鍵議題發掘, 專利情報分析, 創新創業推動等能量, 並協助政府擘劃我國科技發展之願景與策略, 以朝向專業之科技政策研究智庫邁進. 經濟日報
3.Immervision和Socionext將合作提供panomorphEYE開發工具包;
蒙特利爾--(BUSINESS WIRE)----(美國商業資訊)--Immervision和Socionext今天宣布建立戰略合作夥伴關係, 為機器人, 汽車, 無人機等各類智能設備的人工智慧(AI)和機器學習(ML)應用共同開發首個全面的智能視覺感測系統. PanomorphEYE開發包計劃於2018年7月發布和上市.
'通過我們兩家公司間的合作, 每個人都有可能用上為智能設備和機器開發的智能視覺系統. 智能視覺和先進的SoC設計與板載感測器的獨特結合使任何人都能想象出更智能的產品. '
Tweet this
panomorphEYE融合了立體3D, 360度環繞影像, 時差測距(TOF), 陀螺儀, 指南針和其他感測器, 對快速原型設計, 縮短產品上市時間以及增強產品能力均具有無可估量的價值.
Immervision將人性因素引入全球設備, 通過獨特的全景廣角映像捕捉, Data-In-Picture和映像處理能力實現智能視覺, 增強人類感知周圍環境的能力.
Socionext為片上系統(SoC)體系提供無與倫比的專業技術, 為當今領先的設備提供成像, 網路和計算能力. 兩家公司共同承諾提供更優的視覺能力, 自主性和智能, 幫助當今的設備看到更多, 看得更智能.
ImmerVision執行副總裁兼首席商務官Alessandro Gasparini解釋道: '通過我們兩家公司間的合作, 每個人都有可能用上為智能設備和機器開發的智能視覺系統. 智能視覺和先進的SoC設計與板載感測器的獨特結合使任何人都能想象出更智能的產品. '
Socionext公司高級副總裁Mitsugu Naito表示: 'Immervision和Socionext之間的成功合作一直為各種相機和映像處理應用提供前沿的解決方案. 今天我很高興地宣布, 雙方的戰略合作關係進入了一個新的階段. 我們將進一步提高人類和機器視覺的能力, 幫助人們過上更高效和更安全的生活. ' 美國商業資訊
4.讓AI個性化而且功耗更低 IBM研發新型神經網路晶片
【網易智能訊6月16日消息】在GPU上運行的神經網路已經在人工智慧領域取得了一些驚人的進步, 但這兩者的合作還並不完美. IBM的研究人員希望能設計出一種專門用於運行神經網路的新的晶片, 從而提供更快, 更有效的替代方案.
直到本世紀初, 研究人員才意識到, 為視頻遊戲設計的GPU (圖形處理單元) 可以被用作硬體加速器, 以運行比以前更大的神經網路.
這要歸功於這些晶片能夠並行進行大量計算, 而不是像傳統CPU那樣按順序處理它們. 這對於同時計算構成深度學習神經網路的數百個神經元的權重特別有用.
GPU的引入使這一領域得到了發展, 但這些晶片仍然需要將處理和存儲分開, 這意味著大量的時間和精力都花在了兩者之間的數據傳輸上. 這促使人們開始研究新的存儲技術, 這些技術能夠存儲和處理同一位置的權重數據, 從而提高速度和能源效率.
這種新的存儲設備通過調整它們的電阻水平, 以類比的形式存儲數據——也就是說, 數據被存儲在一個連續的範圍內, 而不是數字存儲器的二進位1和0. 因為資訊存儲在存儲單元的電導中, 所以可以簡單地在存儲單元間傳遞電壓並讓系統通過物理方法來進行計算.
但是這些設備固有的物理缺陷意味著它們的行為並不一致, 這導致了目前使用它們來訓練神經網路的分類精度明顯低於使用GPU.
'我們可以在一個比GPU更快的系統上進行訓練, 但如果訓練操作不那麼準確, 那是沒有用的, ' 領導該項目的IBM Research博士後研究員Stefano Ambrogio在接受Singularity Hub採訪時說, '到目前為止, 還沒有證據表明使用這些新設備能像使用GPU一樣精確. '
但研究又有了新的進展. 在上周發表在《自然》雜誌上的一篇論文中, Ambrogio和他的同事們描述了他們是如何利用新興的類比記憶和更傳統的電子元件組合來創造出一種晶片, 這種晶片可以與GPU的精度相匹配, 同時運行速度更快, 能耗更少.
這些新的存儲技術難以訓練深層神經網路的原因是, 這個過程需要將每個神經元的權重進行上下數千次的刺激, 直到網路完全對齊. 改變這些設備的電阻需要重新配置它們的原子結構, 而且每次的操作過程都不一樣, Ambrogio說. 這些刺激並不總是完全相同, 這導致了對神經元權重的不精確的調整.
研究人員通過創造 '突觸單元' 來解決這個問題, 這些 '突觸單元' 每一個都對應於網路中的單個神經元, 同時具有長期和短期記憶. 每個單元格由一對相變存儲器 (PCM) 單元和三個晶體管以及一個電容的組合構成, PCM在電阻中存儲權重數據, 電容將權重數據存儲為電荷.
PCM是一種 '非易失性存儲器' , 這意味著即使沒有外部電源, 它也能保留存儲的資訊, 而電容器是 '易失性的' , 所以只能在幾毫秒內保持它的電荷. 但是電容器沒有PCM設備的可變性, 因此可以快速而準確地編程.
當神經網路對映像進行訓練以完成分類任務時, 只有電容器的權重會被更新. 在瀏覽到幾千張圖片後, 權重數據會被轉移到PCM單元進行長期存儲. PCM的可變性意味著, 權重數據的轉移仍然有可能包含錯誤, 但是由於該單元只是偶爾更新, 所以可以在不增加系統複雜性的情況下再次檢查電導. Ambrogio說, 如果直接在PCM單元上進行訓練, 這就不可行了.
為了測試他們的設備, 研究人員對他們的網路進行了一系列流行映像識別的基準測試, 結果達到了與穀歌領先的神經網路軟體TensorFlow相當的精確度. 但重要的是, 他們預測, 最終構建出的晶片將比GPU的能效高280倍, 而且在每平方毫米面積上實現的算力將達到CPU的100倍. 值得注意的是, 研究人員還沒有完全構建出這一晶片.
雖然在測試中使用了真正的PCM單元, 但其它組件是在計算機上類比的. Ambrogio表示, 他們希望在投入時間和精力打造完整的晶片之前, 先檢查一下這種方法是否可行. 他說, 他們決定使用真正的PCM設備, 因為對這些設備的類比還不太可靠, 但其它組件的類比技術已經很成熟了, 他們有信心基於這個設計建立一個完整的晶片.
它目前也只能在全連接神經網路上與GPU競爭, 在這個神經網路中, 每個神經元都與上一層的神經元相連接, Ambrogio說. 但實際上許多神經網路並沒有完全連接, 或者只有某些層完全連接在一起.
但Ambrogio說, 最終的晶片將被設計成可以與GPU合作的形式, 從而在處理其它連接時也能夠處理全連接層的計算. 他還認為, 這種處理全連接層的更有效的方法可以被更廣泛地應用.
這樣的專用晶片能夠使哪些事情成為可能?
Ambrogio說, 有兩個主要的應用: 一是將人工智慧應用到個人設備上, 二是使數據中心更加高效. 後者是大型科技公司的一大擔憂, 因為它們的伺服器消耗了大量的電費.
如果直接在個人設備上應用人工智慧, 用戶就可以不必在雲端分享他們的數據, 從而增加隱私性, 但Ambrogio說, 更令人興奮的前景是人工智慧的個性化.
他說: '在你的汽車或智能手機上應用這個神經網路, 它們就能夠不斷地從你的經驗中學習. '
'你的手機會專門針對你的聲音進行個性化, 你的汽車也會根據你的習慣形成獨特的駕駛方式. '