X为了获得更好的用户体验,请使用火狐、谷歌、360浏览器极速模式或IE8及以上版本的浏览器
平台简介 | 帮助中心
欢迎来到科易网(火炬高新区)技术交易平台,请 登录 | 注册
尊敬的 , 欢迎光临!  [会员中心]  [退出登录]
当前位置: 首页 >  科技成果  > 详细页

[00296747]边缘智能芯片设计

交易价格: 面议

所属行业: 电子元器件

类型: 非专利

技术成熟度: 正在研发

交易方式: 完全转让 许可转让 技术入股

发布时间: 2020-04-26

联系人: 南方科技大学

进入空间

所在地:广东深圳

服务承诺
产权明晰
资料保密
对所交付的所有资料进行保密
如实描述

技术详细介绍

技术原理 该团队针对边缘智能(AlOT)芯片集成电路设计技术方向,开发在5G边缘端(基站)的下一代低功耗(<1w),高通量(>20fps)深度学习人工智能芯片。除了先进的3D储算融合架构,团队同时在算法上研发自动训练量化及张量压缩算法实现对静态(CNN)动态(RNN)数据具有检测,识别及分割功能的实时智能数据处理,最终可应用于消费类电子(手机,智慧城市,AR/VR,机器人等)实现边缘智能的落地。该团队与广东/深圳龙头企业紧密合作,现已建立了南科大-国际知名ICT下企业先进SoC芯片系统集成联合实验室,南科大-国际知名ICT企业边缘计算人工智能联合实验室。并与国际知名ICT企业深入开展新工科教学,参与教育部-国际知名ICT企业新工科培养计划,并共同建设南科大-国际知名ICT企业AI沃土产学研育人平台,这些都将为本实验室的新应用布局提供坚实的基础与发展潜力。 技术先进性 深度学习压缩算法 该团队通过深度学习神经网络的训练量化算法开发,训练量化技术将原始复杂深度学习神经网络(CNN)进行有精度约束的简化后得到轻量级深度学习网络,使得其既能提供有精度保障的图像识别功能,同时又能在硬件上进行高通量低功耗的实现。同时进行深度学习神经网络的张量压缩算法开发,张量压缩技术能显著减少时序深度学习神经网络(RNN)的计算量,得到轻量级深度学习网络,在权衡准确度的基础上使得处理动态图像的速度得到大幅提升。 针对边缘计算的深度学习时空模型 储算融合芯片 该团队通过研究设计选择合适的FPGA开发板来搭建和数据采集、处理和显示于一体的视频数据处理系统;接下来根据训练好神经网络量化,张量压缩算法化网络实现的硬件,然后根据设计方案进行模块化设计,完成RTL级仿真及综合,实现流片及整个处理系统调试。然后进行CMOS及忆阻器ReRAM的储算融和芯片实现,同样根据设计方案进行模块化设计,实现流片及整个处理系统调试。此储算融合的边缘端人工智能芯片的能耗可以达到传统GPU芯片的万分之一(mW),其通量可以达到GPU(TFLOPS)级别,同时成本也在其百分之一。再者,我们将研究CMOS+ReRAM芯片的三维集成。我们将进一步通过CMOS与ReRAM器件的三维集成来进一步实现高通量低功耗的边缘计算芯片。三维集成将进一步提高系统并行度,从而充分体现低值化深度神经网络的优势。 储算融合边缘智能芯片 应用市场 该团队与广东/深圳龙头企业紧密合作,现已建立了南科大-国际知名ICT企业先进Soc芯片系统集成联合实验室,南科大-国际知名ICT企业边缘计算人工智能联合实验室。并与国际知名ICT企业深入开展新工科教学,参与教育部-国际知名ICT企业新工科培养计划,并共同建设南科大-国际知名ICT企业AI沃土产学研育人平台,这些都将为本实验室的新应用布局提供坚实的基础与发展潜力。e:\k8008\qiuchengcai\桌面\成果图片\南科大成果图片\边缘芯片\图片23.pnge:\k8008\qiuchengcai\桌面\成果图片\南科大成果图片\边缘芯片\图片24.png e:\k8008\qiuchengcai\桌面\成果图片\南科大成果图片\边缘芯片\图片25.png

技术原理 该团队针对边缘智能(AlOT)芯片集成电路设计技术方向,开发在5G边缘端(基站)的下一代低功耗(<1w),高通量(>20fps)深度学习人工智能芯片。除了先进的3D储算融合架构,团队同时在算法上研发自动训练量化及张量压缩算法实现对静态(CNN)动态(RNN)数据具有检测,识别及分割功能的实时智能数据处理,最终可应用于消费类电子(手机,智慧城市,AR/VR,机器人等)实现边缘智能的落地。该团队与广东/深圳龙头企业紧密合作,现已建立了南科大-国际知名ICT下企业先进SoC芯片系统集成联合实验室,南科大-国际知名ICT企业边缘计算人工智能联合实验室。并与国际知名ICT企业深入开展新工科教学,参与教育部-国际知名ICT企业新工科培养计划,并共同建设南科大-国际知名ICT企业AI沃土产学研育人平台,这些都将为本实验室的新应用布局提供坚实的基础与发展潜力。 技术先进性 深度学习压缩算法 该团队通过深度学习神经网络的训练量化算法开发,训练量化技术将原始复杂深度学习神经网络(CNN)进行有精度约束的简化后得到轻量级深度学习网络,使得其既能提供有精度保障的图像识别功能,同时又能在硬件上进行高通量低功耗的实现。同时进行深度学习神经网络的张量压缩算法开发,张量压缩技术能显著减少时序深度学习神经网络(RNN)的计算量,得到轻量级深度学习网络,在权衡准确度的基础上使得处理动态图像的速度得到大幅提升。 针对边缘计算的深度学习时空模型 储算融合芯片 该团队通过研究设计选择合适的FPGA开发板来搭建和数据采集、处理和显示于一体的视频数据处理系统;接下来根据训练好神经网络量化,张量压缩算法化网络实现的硬件,然后根据设计方案进行模块化设计,完成RTL级仿真及综合,实现流片及整个处理系统调试。然后进行CMOS及忆阻器ReRAM的储算融和芯片实现,同样根据设计方案进行模块化设计,实现流片及整个处理系统调试。此储算融合的边缘端人工智能芯片的能耗可以达到传统GPU芯片的万分之一(mW),其通量可以达到GPU(TFLOPS)级别,同时成本也在其百分之一。再者,我们将研究CMOS+ReRAM芯片的三维集成。我们将进一步通过CMOS与ReRAM器件的三维集成来进一步实现高通量低功耗的边缘计算芯片。三维集成将进一步提高系统并行度,从而充分体现低值化深度神经网络的优势。 储算融合边缘智能芯片 应用市场 该团队与广东/深圳龙头企业紧密合作,现已建立了南科大-国际知名ICT企业先进Soc芯片系统集成联合实验室,南科大-国际知名ICT企业边缘计算人工智能联合实验室。并与国际知名ICT企业深入开展新工科教学,参与教育部-国际知名ICT企业新工科培养计划,并共同建设南科大-国际知名ICT企业AI沃土产学研育人平台,这些都将为本实验室的新应用布局提供坚实的基础与发展潜力。e:\k8008\qiuchengcai\桌面\成果图片\南科大成果图片\边缘芯片\图片23.pnge:\k8008\qiuchengcai\桌面\成果图片\南科大成果图片\边缘芯片\图片24.png e:\k8008\qiuchengcai\桌面\成果图片\南科大成果图片\边缘芯片\图片25.png

推荐服务:

科技创新服务热线:400-966-9886 0592-6887080

Copyright © 2020 科易网    All Rights Reserved

运营商:厦门科易网科技有限公司    合作单位:厦门火炬高新区管委会

增值电信业务许可证:闽B2-20100023      闽ICP备07063032号-5