EnChargeAI在内存计算领域的新突破

最近，EnCharge AI宣布成功完成2170万美元A轮融资，由Anzu Partners、AlleyCorp、Scout Ventures、Silicon Catalyst Angels、Schams Ventures、E14 Fund和Alumni Ventures组成，用于推进其AI硬件加速器研发。

Encharge AI有望提升效率，其测试芯片在8-b计算下性能可达150 TOPS/W，与PyTorch和TF等流行的AI框架实现无缝软硬件集成。与同类AI加速器相比，其每瓦性能提高了20倍，每美元性能提高了14倍。

该公司最初通过DARPA的2017年电子复兴计划(ERI)获得研发资金。该计划的目标是推进美国国内的微电子设计，为国防工业和国防部安全性获得前沿电子产品的机会。

“加速人工智能硬件的创新，以更快地在边缘做出决策”是ERI投资的重点之一。

Encharge AI的领导团队包括:

• 普林斯顿大学电气和计算机工程教授Naveen Verma，他的研究重点是新兴技术；

• Kailash Gopalakrishnan，IBM的研究员，领导全球人工智能硬件和软件的工作；

• Echere Iroaga, MACOM连接业务部门前副总裁兼总经理。

内存计算

内存计算(In-memory Computing ,简称IMC)似乎是EnCharge AI实现高效率和低功耗的关键因素。该公司在其网站上列出了2019年、2020年和2021年的四份出版物，展示了他们在改善IMC用于人工智能加速方面的研究进展。

他们最早的出版物指出，机器学习计算严重依赖于矩阵向量乘法(MVM)，虽然数字加速器相对于普通处理器提供了10-100倍的能效和速度改进，但这些收益主要是在计算方面，而不是在内存访问方面，即所谓的“内存墙”。在内存中来回移动数据在功耗和时间上都有很高的成本。

虽然IMC可以降低功耗和延迟，但在读取内存位时，需要权衡更差的信噪比(SNR)。信噪比问题在异构系统中对IMC的扩展提出了挑战，而异构系统是最有可能在实际应用中使用IMC的场景。

2020年，该研究团队致力于解决信噪比问题，开发了一种利用charge-domin IMC的可编程异构架构和配套的软件堆栈。原型基于65纳米CMOS实现。

2021年，该团队引入了基于电容模拟计算，以提高从二进制矢量输入到5-b矢量输入的动态范围，并在协同设计算法方面取得了进展，改善了内存映射。

未来发展

据报道，EnCharge AI虽然前景广阔，但目前还没有客户。此外，一些竞争公司在研发上也有进展，并被投资了大量资金。

一个例子是欧洲公司Alexera AI，该公司于2022年10月宣布获得2700万美元的A轮融资。像EnCharge AI一样，他们也支持内存计算和流行的AI框架。然而，与EnCharge AI不同的是，Alexera AI声称其效率为15 TOPS/W，而EnCharge AI承诺的效率为150 TOPS/W。