1. Ресурсы технологии хранения следующего поколения: четыре технологии имеют наибольший потенциал;
С ростом числа мобильных устройств и интернет-приложений Things спрос на энергосберегающие системы хранения данных и памяти растет. В настоящее время флэш-память DRAM и NAND являются основными технологиями памяти, но DRAM не может долго читать и писать данные. NAND Flash Может сохранять данные, но скорость чтения и записи не очень хорошая.
В то же время память следующего поколения, обладающая как вычислительными, так и запоминающими возможностями, такими как магниторезистивная память (MRAM), резистивная ОЗУ (RRAM), технология 3D XPoint и высокопотенциальная магнитная память спин-электронов (STT-MRAM), становится Новая технология памяти для поколений.
Технология MRAM теоретически позволит достичь скорости доступа за пределами DRAM для приближения к SRAM, и данные не будут потеряны после сбоя питания. Раннее развитие Everspin было признано важным претендентом на технологию следующего поколения памяти. 2017 - это вспышка технологии MRAM. В год широкомасштабной технологии интегральных схем, проведенной в Японии, Япония провела международный семинар по крупномасштабным интегральным технологиям, системам и приложениям. Вместе с компанией Everspin Corporation Geodefand выпустила технологию анти-термического размагничивания eMRAN с возможностью делать данные в градусах Цельсия. Сохраняйте данные на уровне 150 градусов, может быть до тех пор, пока несколько лет 22-нанометровой технологической технологии, как ожидается, закончится в 2017 году, в 2018 году.
TSMC, который когда-то инвестировал в исследования и разработки в области памяти, но потерял высокую стоимость и ушел с рынка памяти, показал в технологическом форуме TSMC 2017 года, что он имеет технологию производства магниточувствительной памяти (eMRAM) на 22 нм. Испытательная продукция.
Преимущество RRAM заключается в более низком потреблении энергии, чем NAND, и его информация о записи в 10 000 раз быстрее, чем вспышка NAND. Основными игроками в исследовании являются Micron, Sony и Samsung.
TSMC также объявила о выпуске технологии 22 нм eRRAM. Основными производителями технологии 3D XPoint являются Intel и Micron. Они используют трехмерную структуру, состоящую из многослойных схем и используют сопротивление сетки для представления 0 и 1. Принцип аналогичен RRAM.
Это хорошая замена для устройств хранения данных и почти в 1000 раз быстрее, чем флэш-память NAND, а также может использоваться для вычислительных приложений с низкими требованиями к циклу команд.
STT-MRAM - это применение технологии квантовых синхронизирующих импульсов шпинелей, имеет высокую производительность и низкое энергопотребление DRAM и SRAM и совместим с существующими технологиями и процессами CMOS.
В настоящее время основными поставщиками входных данных являются IBM и Samsung, SK Hynix и Toshiba, среди которых IBM и Samsung опубликовали исследовательские работы в IEEE, что свидетельствует о том, что они успешно достигли 10 наносекунд скорости передачи и супер-энергосберегающей архитектуры.
Хотя ожидается, что в будущем поколение памяти заменит некоторые рынки флэш-памяти DRAM и NAND, оно даже заменит старые технологии. Однако я считаю, что с помощью искусственного интеллекта, устройств IoT и других требований к сбору данных и восприятию следующего поколения технология памяти будет первой Сосредоточив внимание на потребностях новых приложений, таких как встроенная память, заблокированная TSMC, и в полной мере используя преимущества вычислений и хранения, дальнейшее уменьшение размера для достижения более высокого уровня проникновения на рынок компонентов.
Однако, судя по динамике поставщика, технология 22 нм eMRAM будет постепенно развиваться после 2018 года, и она начнет иметь большое количество рыночных приложений.
(Автор является научным сотрудником Национального института экспериментальной научно-технической политики и информационного центра)
2. Новые вспышки спроса Сильная динамика памяти;
В современных электронных продуктах память играет незаменимую роль. В 2017 году выходная стоимость полупроводниковой промышленности впервые превысила 400 млрд. Долларов США. Одна из причин заключается в том, что спрос на память вырос настолько, что производители могут увеличить отпускную цену. Рост доходов в 2017 году 50 процентов, Samsung в Южной Корее является крупнейшим поставщиком памяти, самой большой прибылью. Ожидается, что эта волна бум памяти будет по-прежнему зависеть от новых потребностей, Интернета вещей, носимых устройств, облачного хранилища и огромного объема данных, которые будут управлять рынком памяти Кинетическая энергия.
В соответствии с характеристиками хранения текущая память может быть разделена на энергозависимую и энергонезависимую память после отключения питания. Энергонезависимая память не может быть сохранена после выключения питания. Стоимость высокая, но скорость очень высокая. Обычно используется для временного хранения данных. Скорость доступа к памяти медленная, но она может сохранять данные в течение длительного времени.
Статическая память произвольного доступа (SRAM) и динамическая оперативная память (DRAM) широко используются в компьютерных системах и электронных продуктах в качестве энергозависимой памяти для временного хранения данных. DRAM в настоящее время используется в ПК / NB и мобильных приложениях. В основном, но это также будет возрастать с каждым годом в поддержку виртуализации, рисования и других сложных рабочих приложений в режиме реального времени. DRAM была выпущена более чем 20 компаниями по всему миру с 1980-х годов. В настоящее время существуют только Samsung, SK Hynix и Micron и другие три рынка олигополии, категории приложений от основного класса ПК и бытовой электроники (например, iPod), мобильных телефонов, планшетных компьютеров, носимых устройств, смарт-автомобилей, спроса на бездисковые автомобили для DRAM также растут.
Память только для чтения (ПЗУ) или перезаписываемая память, такая как жесткий диск (жесткий диск), твердотельный жесткий диск (SSD), флэш-память (флэш-память) и т. Д. Имеют разные характеристики чтения / записи, но они все еще находятся после отключения питания. Он может сохранять данные в течение длительного времени. Скорость работы вспышки выше, чем у обычного жесткого диска, поэтому она постепенно становится основной.
Архитектура флэш-памяти и ПЗУ можно разделить на параллельные (NOR) и последовательные (NAND), параллельная вспышка (NOR-Flash) распространена в BIOS материнской платы, NAND-Flash (NAND-Flash) является обычным явлением в бытовой электронике, Например, мобильные телефоны, флэш-накопители, твердотельные накопители и т. Д. NAND Flash продолжают развиваться с технологией обработки, а стоимость единицы мощности снижается. Она широко используется в смартфонах, встроенных устройствах и приложениях промышленного контроля. В последние годы он применяется для хранения больших данных и Спрос на твердотельные накопители для ноутбуков с несколькими ноутбуками увеличился. Твердотельные накопители NAND-Flash постепенно заменили тенденцию к общим жестким дискам. Основными производителями являются Samsung, Toshiba и SK Hynix.
DRAM и NAND Flash дополняют характеристики и стоимость. Первая имеет большую пропускную способность передачи в секунду, высокую удельную стоимость и высокую энергопотребление, последняя имеет медленную скорость передачи, низкую стоимость на единицу и низкое энергопотребление, поэтому оба Рынок и функция отделены друг от друга, а также представляют собой два основных лагеря для текущих продуктов памяти. В ответ на взрывной рост Интернета вещей, больших данных и облачных данных, память является независимой или встроенной и будет ключевым компонентом архитектуры системы. ,
В 2020 году мировой рынок памяти составит 79,51 млрд. Долларов США, из которых DRAM составляет 38,9%, NAND Flash - 55,1%, а память следующего поколения - 2,0%.
Однако из-за узкого места и влияния основной памяти DRAM и NAND на процесс миниатюризации поиск альтернативных решений или изменение схем для удовлетворения будущих потребностей в хранении данных будет самой важной проблемой в текущей индустрии памяти.
Три основных показателя для разработки следующего поколения памяти включают в себя стоимость, производительность компонентов, масштабируемость и плотность и т. Д., Где затраты включают в себя частицы памяти, модули и схемы управления и т. Д., Производительность компонентов включает в себя латентность, надежность и долговечность хранения данных. и так далее.
Память о следующем поколении теперь в основном ориентирована на изменение способа использования прошлых хранимых платежей для доступа к данным и путем пересмотра механизма хранения данных для решения ограничений процесса. Кроме того, низкое энергопотребление является общей целью следующего поколения памяти и даже компонентов. Тайвань имеет самый большой в мире Продвинутый процесс и отличные таланты в области компонентов и схем R & D находятся в очень выгодном положении в области исследований и разработок. Мы должны понять преимущества, улучшить экологическую цепочку электронной промышленности, не подвергать монополию иностранного рынка рынком памяти и сохранять свои позиции на мировом рынке. Конкурентоспособность отраслей промышленности Тайваня (автор является исследователем в Национальном институте политики и информационных технологий экспериментальных исследований)
Введение в STPI
Национальный институт экспериментального исследовательского центра научно-технической политики (STPI) был создан в 1974 году. Он уже давно отвечает за сбор, строительство, анализ, обработку и обслуживание данных, необходимых для развития науки и техники в Китае. На основе ресурсов мы будем укреплять анализ тенденций, выявлять ключевые проблемы, анализировать патентную разведку и содействовать инновациям и предпринимательству. Мы также будем помогать правительству в планировании видения и стратегии развития науки и техники в Китае и продвинем развитие профессиональных аналитических центров для научно-технической политики.
3. Immervision и Socionext будут сотрудничать для предоставления набора для разработки panomorphEYE;
MONTREAL - (BUSINESS WIRE) - Immervision и Socionext сегодня объявили о создании стратегического партнерства для искусственного интеллекта (AI) и роботов для роботов, автомобилей, беспилотных самолетов и других интеллектуальных устройств. (ML) для совместной разработки первой комплексной системы интеллектуальных датчиков зрения. Пакет разработки PanomorphEYE планируется выпустить и запустить в июле 2018 года.
Благодаря сотрудничеству между нашими двумя компаниями каждый может использовать интеллектуальные системы видения, разработанные для интеллектуальных устройств и машин. Уникальное сочетание интеллектуального видения и современного дизайна SoC с бортовыми датчиками позволяет любому вообразить Смарт-продукты.
это чирикать
PanomorphEYE включает в себя стереоскопическое 3D, 360-градусное окружение, время пролета (TOF), гироскоп, компас и другие датчики, которые бесценны для быстрого прототипирования, сокращения времени выхода на рынок и повышения возможностей продукта.
Immervision вводит человеческие факторы в глобальные устройства, позволяя интеллектуальное зрение посредством уникального панорамного широкоугольного захвата изображений, возможностей Data-In-Picture и обработки изображений и повышения способности человека воспринимать окружающую среду.
Socionext предоставляет непревзойденный опыт в системах System-on-chip (SoC), предоставляя изображения, сетевые и вычислительные возможности для современных ведущих устройств. Обе компании совместно обязуются предоставить превосходные визуальные возможности, автономность и интеллект, чтобы помочь сегодняшним устройствам видеть Подробнее см. Больше информации.
Алессандро Гаспарини, исполнительный вице-президент ImmerVision и главный коммерческий директор, объяснил: «Благодаря сотрудничеству между нашими двумя компаниями каждый может использовать интеллектуальные системы видения, разработанные для интеллектуальных устройств и машин. Smart Vision и усовершенствованный дизайн и плата SoC Уникальная комбинация датчиков позволяет представить себе более интеллектуальные продукты.
Мицугу Найто, старший вице-президент Socionext, сказал: «Успешное сотрудничество между Immervision и Socionext всегда предоставляло передовые решения для различных приложений для обработки изображений и изображений. Сегодня я рад объявить, что стратегическое сотрудничество между двумя сторонами ввело новый Фаза. Мы еще больше усовершенствуем возможности человеческого и машинного зрения и помогаем людям жить более эффективной и безопасной жизнью ».
4. Персонализируйте AI и потребляйте меньше энергии. IBM разрабатывает новые чипы нейронных сетей.
«Чистая новость NetEase 16 июня» на графическом процессоре, работающем в нейронной сети, сделала некоторые удивительные успехи в области искусственного интеллекта, но сотрудничество между ними не идеально. Исследователи IBM надеются создать дизайн Специально используется для запуска новых сетей нейронных сетей для обеспечения более быстрых и эффективных альтернатив.
Только в начале этого столетия исследователи поняли, что графические процессоры (графические процессоры), предназначенные для видеоигр, могут использоваться в качестве аппаратных ускорителей для работы с более крупными нейронными сетями, чем раньше.
Это связано с тем, что эти чипы могут выполнять большое количество вычислений параллельно, а не обрабатывать их последовательно, как традиционный процессор. Это особенно полезно для одновременного вычисления весов сотен нейронов, которые составляют глубокую обучающую нейронную сеть.
Внедрение графических процессоров позволило этой области развиваться, но эти чипы по-прежнему нуждаются в отделении обработки и хранения, а это означает, что много времени и усилий тратится на передачу данных между ними. Это побуждает людей начинать исследование новых. Технологии хранения, которые могут хранить и обрабатывать данные о весе в одном месте, тем самым увеличивая скорость и эффективность использования энергии.
Новые запоминающие устройства сохраняют данные в аналоговой форме, регулируя уровни их сопротивления, то есть данные хранятся в непрерывном диапазоне, а не в двоичной памяти двоичных 1 и 0. поскольку информация хранится в памяти. Поэтому в проводимости ячейки можно просто передать напряжение между ячейками памяти и позволить системе выполнять вычисления с помощью физических средств.
Однако присущие физическим дефектам эти устройства означают, что их поведение несовместимо, что приводит к текущей точности классификации их использования для обучения нейронных сетей значительно ниже, чем использование графического процессора.
«Мы можем тренироваться на более быстрой системе, чем GPU, но если тренировка не такая точная, это было бы бесполезно», - сказал Стефано Амброгио, научный сотрудник IBM Research, возглавлявший проект, в интервью Singularity Hub. До сих пор нет доказательств того, что использование этих новых устройств может быть столь же точным, как использование графического процессора.
Но исследование достигло нового прогресса. В статье, опубликованной на прошлой неделе в журнале Nature, Амброгио и его коллеги рассказали, как они использовали новые аналоговые воспоминания и более традиционные электронные компоненты для создания Чип, который может соответствовать точности графического процессора при работе быстрее и с меньшим потреблением энергии.
Причина, по которой эти новые технологии хранения сложны для обучения глубоким нейронным сетям, заключается в том, что этот процесс требует стимуляции каждого нейрона вверх и вниз тысячи раз, пока сеть не будет полностью выровнена. Изменение сопротивления этих устройств требует переконфигурации их атомных структур. И каждый раз, когда процесс операции отличается, сказал Амброгио. Эти стимулы не всегда одинаковы, что приводит к неточной настройке веса нейронов.
Исследователи решили эту проблему, создав «синаптические единицы», каждый из которых соответствует одному нейрону в сети с долговременной и кратковременной памятью. Каждая ячейка состоит из пары воспоминаний смены фазы ( Комбинация PCM) и трех транзисторов и конденсатора, PCM хранит данные о весе в резисторе, а конденсатор сохраняет весовые данные в качестве заряда.
PCM - это своего рода «энергонезависимая память», что означает, что даже если нет внешнего источника питания, он может сохранять сохраненную информацию, а конденсатор «изменчив», поэтому он может поддерживать только заряд в течение нескольких миллисекунд. Но конденсаторы не имеют изменчивости устройств PCM и поэтому могут быть запрограммированы быстро и точно.
Когда нейронная сеть готовит изображение для выполнения задачи классификации, будет обновлен только вес конденсатора. После просмотра нескольких тысяч изображений данные о весе будут переданы в блок PCM для длительного хранения. Изменчивость PCM означает, что вес Передача данных может по-прежнему содержать ошибки, но поскольку блок обновляется только изредка, проводимость может быть проверена снова, не увеличивая сложность системы. Амброгио сказал, что если тренировка непосредственно на блоке PCM, это невозможно.
Чтобы проверить свое оборудование, исследователи провели серию популярных тестов для распознавания изображений в своих сетях. Результаты достигли сопоставимой точности с помощью программного обеспечения нейронной сети от Google, TensorFlow. Но, что важно, они предсказали, что в конечном итоге они будут построены. Чип будет в 280 раз эффективнее GPU, а вычислительная мощность на квадратный миллиметр будет в 100 раз больше, чем у процессора. Стоит отметить, что исследователи еще не полностью построили чип.
Несмотря на то, что в тестах использовались реальные модули PCM, на компьютере были смоделированы другие компоненты. Амброгио заявил, что они надеются проверить, возможен ли этот метод, прежде чем инвестировать время и усилия в создание полного чипа. Он сказал, что они Решил использовать реальное оборудование PCM, потому что имитация этого оборудования еще не является надежным, но аналоговая технология других компонентов уже зрелая, они уверены в создании полного чипа на основе этого дизайна.
Он может конкурировать только с графическими процессорами на полностью подключенных нейронных сетях. В этой нейронной сети каждый нейрон связан с нейронами на верхнем уровне, сказал Амброгио, но на самом деле многие нейронные сети не полностью связаны. Или только некоторые слои полностью связаны друг с другом.
Тем не менее, Амброджио сказал, что последний чип будет разработан для работы с графическими процессорами, так что он также сможет обрабатывать вычисления на уровне полного соединения при работе с другими соединениями. Он также считает, что этот более эффективный метод работы с полностью связанными слоями может быть Более широко используется.
Какие вещи возможны с помощью такого выделенного чипа?
Амброгио сказал, что есть два основных приложения: во-первых, применить искусственный интеллект к персональным устройствам и, во-вторых, повысить эффективность центров обработки данных. Последнее является серьезной проблемой для крупных технологических компаний, потому что их серверы потребляют много электроэнергии.
Если искусственный интеллект применяется непосредственно к персональным устройствам, пользователи могут сохранить свою конфиденциальность, не имея необходимости делиться своими данными в облаке, но Амброгио сказал, что более захватывающей перспективой является персонализация искусственного интеллекта.
Он сказал: «Применяя эту нейронную сеть к своей машине или смартфону, они могут постоянно учиться на вашем опыте».
«Ваш мобильный телефон будет персонализировать ваш голос конкретно, и ваш автомобиль также будет создавать уникальный стиль вождения, основанный на ваших привычках».