Dipamerkan di Arm TechCon, syarikat akan mendemonstrasikan pembelajaran kepintaran buatan termasuk berautonomi terbaru.
WESTLAKE VILLAGE, California, Oct. 16, 2018 (GLOBE NEWSWIRE) -- Eta Compute Inc., sebuah syarikat yang bertujuan untuk memberikan pembelajaran mesin ke peranti mudah alih dan pinggir menggunakan platform barunya yang canggih, hari ini mengumumkan ketersediaan SoC pembelajaran mesin terbaru yang menyertakan pembelajaran berautonomi. Dinamakan sebagai TENSAI®, produk terkini ini melakukan pengelasan imej, penampakan kata kunci dan pengesanan perkataan bangun yang mentakrifkan semula standard untuk penyelesaian terbenam kuasa ultra-rendah.
“Saya tahu pembelajaran mesin pada cip yang kecil dan dikuasakan oleh bateri yang murah akan muncul”, ujar Pete Warden, Ketua Teknikal Google di TensorFlow. Ini akan membuka laluan untuk beberapa aplikasi baru yang hebat”.
Cip TENSAI menyertakan logik tidak sensitif tundaan Eta Compute generasi ketiga yang mendayakan produk untuk beroperasi sepenuhnya pada bekalan voltan paling terendah yang menghasilkan penggunaan kuasa terendah.
Ciri unik lain SoC termasuk:
- Kernel sendiri Eta Compute untuk rangkaian neural pepaku (SNN) dan CNN mengurangkan operasi dan menurunkan penggunaan kuasa
- Pembelajaran Berautonomi percakapan, imej dan data lain yang pengelasan muncul pada data tanpa label membolehkan kemajuan dalam bidang pengesanan anomali yang meluas pada sistem yang mod kegagalan tidak diketahui atau sukar diperoleh
- Aplikasi pengelasan imej menggunakan hanya 0.4mJ setiap gambar, pengurangan kuasa sebanyak 30X berbanding hasil terkini yang diterbitkan
- Aplikasi perkataan bangun sentiasa aktif yang menggunakan 500uA semasa pengelasan atau 50uA semasa inap memenuhi keperluan tegas bagi peralatan elektronik yang boleh dipakai dan berkuasa bateri
“Binaan perkakasan dipatenkan (DIAL™) kami digabungkan dengan algoritma boleh disesuaikan sepenuhnya kami berdasarkan kedua-dua CNN dan SNN untuk melakukan pentaabiran pembelajaran mesin dalam ratusan mikrowat”, ujar Nara Srinivasa Ph.D., CTO Eta Compute. “Ini sedang disampelkan kepada pelanggan yang menggabungkannya ke dalam produk seperti speaker pintar dan platform pengesanan objek untuk menghasilkan kepintaran mesin ke pinggir rangkaian”.
Pemproses tersebut boleh dilatih menggunakan perisian TensorFlow® atau Caffe® yang popular dan kernel tersuai Eta Compute akan lebih mengoptimumkan model yang dilatih. TENSAI menggunakan pemproses DSP yang disepadukan dengan ketat dan binaan pengawal mikro untuk pengurangan kuasa yang ketara untuk kepintaran mesin terbenam. Penyelesaian ini boleh menyokong pelbagai aplikasi dalam pemprosesan audio, video dan isyarat yang kuasa merupakan halangan besar dalam pasaran peranti mudah alih, boleh pakai, pengesanan industri dan kamera.
Tambahan, untuk senario dunia nyata bagi data sedia dibaca adalah jarang atau tidak tersedia, algortima pembelajaran berautonomi kami boleh mengekstrak kepintaran boleh aksi walaupun dengan pengehadan ini. Ini menjadikan penyelesaian Eta Compute lebih meluas dalam skop termasuk kepintaran untuk peranti yang menuai tenaga dalam persekitaran terasing.
SoC Eta Compute dengan pembelajaran mesin kini disampelkan dengan penghasilan besar dijangka pada Q1 tahun 2019.
Perihal Eta Compute
Eta Compute diasaskan pada tahun 2015 dengan visi bahawa pertumbuhan pesat peranti pintar pada pinggir rangkaian akan menjadikan kehidupan seharian lebih selamat, lebih sihat, selesa dan lebih mudah tanpa mengorbankan privasi dan keselamatan. Teknologi DIAL™-nya yang baru dilancarkan adalah platform mengira kuasa terendah dibenamkan dunia dan adalah binaan asli untuk menyokong pembelajaran neuromorphic dipacu oleh peristiwa dan kepintaran mesin untuk peranti mudah alih. Untuk mendapatkan maklumat lanjut, lawati EtaCompute.com atau hubungi syarikat melalui e-mel di info@etacompute.com.
Hubungan:
Phyllis Grabot, Corridor Communications, Inc.
805.341.7269 / phyllis@corridorcomms.com
Foto yang disertakan dengan pengumuman ini boleh didapati di http://www.globenewswire.com/NewsRoom/AttachmentNg/24ad2eeb-4dfc-4d04-80ef-e0b5cbd014c9