Объем, правдивость, изменчивость и скорость данных, получаемых от постоянно растущей сети датчиков, подключенных к интернету, создают проблемы для управления питанием, масштабируемости и устойчивости инфраструктуры облачных вычислений.
Увеличение возможностей обработки данных на периферийных вычислительных устройствах при более низких энергопотреблениях может снизить некоторые накладные расходы на облачные вычислительные решения.
Увеличение количества периферийных устройств, таких как мобильные телефоны, и носимая электроника, подключенная к интернету, способствует расширению интеллектуальных приложений передачи данных.
Граничные вычисления широко определяются как метод, используемый для перемещения контроля обработки данных с централизованных вычислительных узлов, таких как высокопроизводительные вычислительные серверы, на последние вычислительные узлы интернета, где данные собираются и подключаются к физическому миру.
Высокая скорость и объем генерируемых данных приводят к необходимости увеличения масштаба центров обработки данных и оказывают дополнительное давление на снижение энергопотребления.
Однако неспособность линейно масштабировать мощность с помощью существующей технологии CMOS заставляет н обратить внимание на нейроморфные вычислительные архитектуры, которые можно использовать в периферийных устройствах и которые могут быть полезны для замены оборудования в платформах облачных вычислений.
Ожидается, что через 2-5 лет передовые вычислительные технологии будут находиться в основном потоке, наряду с машинным обучением, Интернетом вещей и интеллектуальной электроникой, взаимно способствуя росту сфер деятельности друг друга.
Разработка нейромемрисных микросхем, которые могут быть интегрированы в периферийные вычислительные устройства, является открытой исследовательской проблемой.
Нейроморфные вычисления вдохновлены биологическими концепциями обработки мозга человека, которые могут заменить традиционные компьютерные парадигмы.
В век масштабирования и архитектуры устройств Moore, запомнившиеся схемы и вычислительные архитектуры являются одним из множества преимуществ, таких как масштабируемость, небольшая площадь микросхемы, низкое рассеивание энергии, эффективность и адаптируемость.
Мемристоры обеспечивают различные наборы нейроморфных архитектур для краевых вычислений, которые могут быть интегрированы непосредственно в периферийные устройства.
Новейшие подходы к реализации нейронных клеток и синаптических связей и показывается взаимосвязь с биологическими концепциями.
ПЕРИФЕРИЙНЫЕ УСТРОЙСТВА И НОВЕЙШИЕ НЕЙРОННЫЕ ВЫЧИСЛЕНИЯ
Датчики на краях концептуальной карты собирают данные для обработки в пограничных устройствах, которые, по сути, переносят часть задач обработки информации и вычислений с облачных устройств на пограничные устройства.
Возросший спрос на периферийные устройства для обработки информации интеллектуальными и полезными способами приводит к разработке новых аппаратных средств и периферийных вычислений искусственного интеллекта.
Данные в режиме реального времени, получаемые от постоянно растущего числа датчиков в периферийных устройствах, используются для вычислений, близких к сенсорным, в различных интеллектуальных приложениях обработки информации.
Появляется рынок чипов искусственного интеллекта в периферийных устройствах для использования в компьютерном обучении и нейронных сетях.
Информация с датчика преобразуется в цифровую область с помощью аналогового преобразователя в цифровой, затем следуют методы фильтрации и сопроцессоры для реализации различных конфигураций нейронных сетей.
Тем не менее, с основными проблемами в масштабировании устройств до диапазона ниже 10 нм, появляющиеся устройства, такие как мемристоры, становятся перспективными для увеличения скорости и на кристалле области.
Кроме того, эти новые устройства также способствуют аналоговой обработке информации в домене, поскольку многие нейронные сети в аппаратном обеспечении могут быть сопоставлены с вычислительными архитектурами на основе большой памяти.
За последние несколько лет мобильные устройства в значительной степени способствовали росту высокопроизводительной логики и маломощных цифровых логических чипов.
Ограничения и проблемы в масштабировании устройств заставили сообщество двигаться в сторону нейронных вычислительных решений, которые могут включать больше, чем закон Мура и выходить за рамки CMOS технологий, как ключевой аспект развития аппаратного обеспечения в будущем.
В периферийных устройствах, таких как мобильные телефоны, основные вычислительные драйверы нацелены на более высокую производительность и большую функциональность при более низких затратах и энергии, которые ограничиваются батареей.
Некоторые аспекты аппаратных технологий являются движущей силой этого развития. Логические технологии, масштабирование на основе базовых правил, ускорители производительности, масштабирование на основе PPA, 3D-интеграция, технологии памяти, технологии DRAM, технологии флэш-памяти и новые технологии энергонезависимой памяти (NVM), такие как мемристоры.
Ключевые показатели производительности для масштабирования узлов для периферийных устройств в более чем эпоху интеграции Мура в течение следующих 2-3 лет включают в себя:
-увеличение рабочей частоты на 15% по сравнению с масштабируемым напряжением питания,
- для данной производительности снижают энергопотребление при переключении на 35%,
уменьшают площадь основания микросхемы на 35%
- уменьшают стоимость масштабируемой головки на 20%, а стоимость пластин - на 30%.
