Die Toshiba Corporation (TOKYO:6502) knüpft weiterhin an ihre Verpflichtung an, Analysen des Internet der Dinge (Internet of Things, IoT) und von Big Data mit der Entwicklung eines Time Domain Neural Network1 (TDNN, neurales Zeitbereichs-Netzwerk) zu fördern, bei dem ein neuromorphischer Halbleiterschaltkreis mit äußerst geringer Leistungsaufnahme verwendet wird, um Rechenleistungen für Deep Learning durchzuführen. Das TDNN besteht aus einer enormen Anzahl winziger Prozessoreinheiten, bei denen – anders als bei konventionellen digitalen Prozessoren – die analoge Originaltechnik von Toshiba verwendet wird. Über das TDNN wurde am 8. November auf der A-SSCC 2016 (Asian Solid-State Circuits Conference 2016) informiert, einer IEEE-gesponserten internationalen Konferenz zur Halbleiterschaltkreis-Technologie, die in Japan stattfindet.

Dieser Smart News Release enthält Multimedia. Vollständige Veröffentlichung hier ansehen: http://www.businesswire.com/news/home/20161107006733/de/

Time Domain Neural Network (Graphic: Business Wire)

Time Domain Neural Network (Graphic: Business Wire)

Für Deep-Learning-Techniken sind enorm viele Berechnungen erforderlich, die üblicherweise auf Hochleistungsprozessoren ausgeführt werden, die viel Strom verbrauchen. Wenn das Potential des Deep Learning mit Geräten der IoT-Peripherie wie Sensoren und Smartphones genutzt werden soll, sind jedoch äußerst energieeffiziente ICs erforderlich, die die große Zahl nötiger Abläufe durchführen und gleichzeitig äußerst wenig Energie verbrauchen.

Bei einer Computerarchitektur des von-Neumann-Typs2 wird die meiste Energie durch das Verschieben von Daten von Speichermedien innerhalb oder außerhalb des Chips auf die Recheneinheit verbraucht. Der effektivste Weg, die Datenbewegungen zu senken, besteht darin, enorm viele Recheneinheiten zu verwenden, von denen jede nur genau ein Faktum verarbeiten kann, das sich in der Nähe befindet. Diese Faktumspunkte erhalten bei der Konversion eines Eingangssignals (etwa ein Bild einer Katze) in ein Ausgangssignal (etwa Erkennung des Bilds einer Katze) ein Gewicht. Je näher der Faktumspunkt am gewünschten Ausgang ist, desto höher das Gewicht, das er erhält. Das Gewicht liefert einen Parameter, der den Deep-Learning-Vorgang automatisch steuert.

Der Aufbau des Gehirns ist ähnlich, da die Stärke der Verbindung von Neuronen (Gewichtsdaten) in Synapsen (Recheneinheiten) eingebaut wird. In diesem Fall sind Synapsen Verbindungen zwischen Neuronen, und jede hat eine andere Stärke. Durch diese Stärke (das Gewicht) wird das Signal bestimmt, das über die Verbindung geschickt wird. Auf diese Weise führt eine Synapse eine Art Rechenprozess aus. Diese Architektur, die man als komplett räumliche, abgerollte Architektur bezeichnen kann, ist attraktiv, hat jedoch einen offenkundigen Nachteil: Für den Nachbau auf einem Chip ist eine enorm hohe Anzahl arithmetischer Schaltkreise erforderlich, die schnell zu groß wird.

Mit dem TDNN von Toshiba, für das im Jahr 2013 entwickelte Techniken für die Zeitbereichs-Verarbeitung gemischter analoger und digitaler Signale (TDAMS3, Time-Domain Analog and Digital Mixed Signals) verwendet werden, ist die Miniaturisierung der Recheneinheit möglich. Bei TDAMS werden arithmetische Operationen wie Addition auf effiziente Weise ausgeführt. Dazu wird die Verzögerungszeit genutzt, die das digitale Signal zum Durchqueren des Logikgatters als analoges Signal benötigt. Mittels dieser Technik wird es möglich, dass die Recheneinheit für Deep Learning aus nur drei Logikgattern und einem Speicher von einem Bit mit der vollständig abgerollten Architektur besteht. Toshiba hat einen Chip als Machbarkeitsnachweis gefertigt, bei dem eine SRAM-Zelle (Static Random Access Memory, statischer Arbeitsspeicher) als Speicher dient und der handgeschriebene Zahlen erwiesenermaßen erkennen kann. Der Energieverbrauch pro Operation liegt bei 20,6 fJ4. Das ist 1/6x besser als bisher auf einer kürzlich abgehaltenen führenden Konferenz berichtet5.

Toshiba hat vor, das TDNN als resistiven Arbeitsspeicher (ReRAM) zu entwickeln, um die Effizienzen von Energie und Gebieten weiter zu verbessern. Das Ziel ist ein IC, mit dem eine Technologie für Deep Learning mit hoher Leistung auf Peripheriegeräten umgesetzt werden kann.

  1. TDNN: Neurales Netzwerk mit einer Technik für Zeitbereichs-Verarbeitung gemischter analoger und digitaler Signale
  2. Von-Neumann-Typ: Die standardmäßige und am häufigsten verwendete Computerarchitektur. Die Architektur lädt Daten zur Verarbeitung aus Speichermedien in die Recheneinheit.
  3. TDAMS: Eine Technik für die Verarbeitung analoger Signale, die die Verzögerungszeit nutzt, die ein digitales Signal zum Durchqueren der Logikgatter als analoges Signal benötigt. Entwickelt von Toshiba. (Referenz: http://www.toshiba.co.jp/about/press/2013_02/pr2101.htm)
  4. 20.6fJ: Entspricht der Leistung von 48,6 Billionen Operationen in einer Sekunde mit einer Leistungsaufnahme von 1 W.
  5. ISSCC 2016 (International Solid-State Circuits Conference 2016, Internationale Konferenz zu Solid-State-Schaltkreisen), Abstract Nummer 24.2

Über die Toshiba Corporation
Die Toshiba Corporation, ein Unternehmen der Fortune Global 500, lässt ihre Weltklasse-Kompetenzen im Bereich hoch entwickelter elektronischer und elektrischer Produkte und Systeme in drei Schwerpunkt-Geschäftsbereiche einfließen: Energie, die das tägliche Leben möglich macht, die sauberer und sicherer ist, Infrastruktur, die für Lebensqualität sorgt, und Speicherplatz, der die fortschrittliche Informationsgesellschaft möglich macht. Geleitet durch die Prinzipien des grundlegenden Bekenntnisses der Toshiba-Gruppe „Unseren Mitarbeitern und der Zukunft verpflichtet“ fördert Toshiba globale Operationen und trägt zur Verwirklichung einer Welt bei, in der kommende Generationen bessere Leben führen können.
Die heutige Firma Toshiba, die 1875 in Tokio gegründet wurde, bildet das Herzstück eines globalen Netzwerks von 550 konsolidierten Unternehmen, die weltweit 188.000 Mitarbeiter beschäftigen und auf einen Jahresumsatz blicken, der 5,6 Billionen Yen (50 Milliarden US-Dollar) übersteigt. (Stand 31. März 2016)
Weitere Informationen zu Toshiba finden Sie unter www.toshiba.co.jp/index.htm.

Die Ausgangssprache, in der der Originaltext veröffentlicht wird, ist die offizielle und autorisierte Version. Übersetzungen werden zur besseren Verständigung mitgeliefert. Nur die Sprachversion, die im Original veröffentlicht wurde, ist rechtsgültig. Gleichen Sie deshalb Übersetzungen mit der originalen Sprachversion der Veröffentlichung ab.