58
- ELETTRONICA OGGI 433 - GENNAIO/FEBBRAIO 2014
DIGITAL
NEURONAL CHIP
nostro cervello. Intanto la società sta sviluppando nuove
idee insieme ai laboratori più avanzati sull’argomento e,
per esempio, da circa un anno e mezzo partecipa al pro-
getto europeo Big Artificial Brain (BAB) promosso dall’Eu-
ropean Laboratory for Sensory Intelligence (ELSI) che
si propone di riuscire a realizzare un sistema di calcolo
parallelo formato da una rete di un milione di neuroni di
silicio. L’ambizioso obiettivo è di riuscire a integrare tutti
i neuroni e le loro numerosissime connessioni in un “pizza
box” ossia in 11”x11”x5” (che sono 27,94x27,94x12,7 cm,
un po’ più alto di un contenitore per pizza, ma la maggiore
altezza è stata scelta perché potrebbero servire dei mez-
zanini o delle minischede aggiuntive per trovare posto
al gran numero delle connessioni sinaptiche) e ottenere
come prestazione di riferimento il riconoscimento di un
oggetto rappresentato con 256 Byte in mezzo a un gruppo
di un milione di oggetti alla rinfusa in meno di 10 micro-
secondi.
Il chip neuronale CogniMem
In pratica, il CM1K incorpora 1024 neuroni e viene fornito
insieme al modulo V1KU che lo trasforma in un sensore di
immagine neuronale. I neuroni sono interconnessi con un
sofisticato bus a 33 linee che può anche essere segmen-
tato per creare fino a 128 contesti ossia gruppi di neuroni
specializzabili in particolari categorie di decisioni. Ciò può
servire a determinare nella rete neuronale di silicio alcune
aree di neuroni specializzate in grado di riconoscere certi
oggetti con caratteristiche comuni.
Teoricamente, anche senza alcuna base di conoscenza
iniziale il chip è perfettamente in grado di costruirsene
una, ma per semplificare la sua inizializzazione la società
fornisce una memoria esterna con una ben assortita libre-
ria di categorie di oggetti (fino a 32768) che il chip può
processare proprio nella fase iniziale allo scopo di imma-
gazzinare nei suoi neuroni la base di conoscenza più adatta
per l’applicazione di cui dovrà occuparsi. La tecnologia di
riconoscimento e apprendimento basata sui motori funzio-
nali KNN e RBF consente di riconoscere un oggetto di 256
Byte in mezzo a mille in meno di 3 μs oppure di aggiungerne
uno nuovo nella sua base di conoscenza in meno di 2 μs.
Il CM1K è fabbricato in geometria di riga da 0,18 μm ed è
racchiuso in package Tqfp da 8x8 mm e 100 pin alimenta-
to a 1,2 V nel suo core neuronale e a 3,3 negli I/O per un
consumo medio di 300 mW alla frequenza di clock tipica
di 27 MHz. Inoltre, può essere programmato attraverso
l’interfaccia I2C e anche scalato affiancando in daisy chain
altri suoi simili grazie all’apposito bus da 28 linee integrato
come periferica. I test CogniMem dimostrano chiaramente
che il chip neuronale CM1K può esprimere prestazioni dieci
volte superiori con consumi dieci volte inferiori rispetto agli
analoghi sistemi decisionali basati su processori generici o
su DSP con clock ben maggiore. Il modulo V1KU consen-
te di sviluppare rapidamente le applicazioni per il CM1K
verificando in tempo reale il percorso di apprendimento e
valutando l’evolvere della velocità di riconoscimento con
il perfezionarsi della base dati dei neuroni. Oltre a un chip
CM1K il kit completo contiene un sensore di immagine
Aptina MT9V022 da 752x480 pixel con velocità di 60 fps
(Aptina è una recente spin-off di Micron Technology), un
Fpga Actel Igloo AGL600 (Microsemi), 16 MByte di memoria
Sram, 4 MByte di Flash, una porta USB, una RS485, una
I2C e due I/O otticamente isolati. Ad aiutare il progettista di
applicazioni c’è il software Image Knowledge Builder che
permette, innanzi tutto, di fare delle simulazioni software
preliminari e poi consente di definire il set di immagini
che serve per definire la base di conoscenza iniziale di
ciascun neurone.
Q
Fig. 4 – Kit di sviluppo
CogniMem V1KU che permet-
te di preparare le basi dati per
l’inizializzazione dei neuroni
e seguirne poi in tempo reale
l’evoluzione
