東芝電子元件及儲存裝置株式會社（東芝）宣布成功開發出新款汽車應用影像識別系統級晶片(SoC)，與東芝上一代產品相比，該產品使深度學習加速器的速度提升10倍，功率效率提高4倍。該技術成果的詳情已於2月19日在舊金山舉行的2019 IEEE國際固態電路會議(ISSCC)上發表。

自動緊急刹車等先進駕駛輔助系統可提供越來越快速反應等功能，但實現這些功能需要影像識別系統級晶片在低功耗條件下，高速識別道路交通信號和路況。
深度神經網路(DNN)是模仿大腦神經網路的演算法，與傳統模式識別和機器學習相比，DNN的識別處理精度要高得多，預計將會廣泛的應用在車用領域。而採用傳統處理器的DNN影像識別耗時較長，因依賴大量的乘積累加(MAC)計算。同時，採用傳統高速處理器的DNN尚存功耗過高問題。

東芝利用可在硬體上實現深度學習的DNN加速器解決了這一難題。以下為其產品三大特點。

此外，新系統級晶片符合全球汽車應用功能安全標準ISO26262之要求。
東芝將繼續提高所開發的系統級晶片的功率效率和處理速度，且東芝新一代影像識別處理器ViscontiTM5的樣品出貨將於今年九月開始。

產品三大特點
- 並行MAC單元。DNN處理需要大量MAC計算。東芝的新設搭載四個處理器，每個處理器包含256個MAC單元。因此提高了DNN的處理速度。
- 減少了動態隨機存取記憶體(DRAM)存取。傳統的系統級晶片沒有本機記憶體，無法在靠近DNN執行單元的位置保存臨時資料，並且在存取本機記憶體時產生較大功耗。同時，載入用於MAC計算的加權數據也會產生較大功耗。東芝晶片可在DNN執行單元附近執行靜態隨機存取記憶體(SRAM)，並將DNN處理分為多個子處理區塊，因此可將臨時資料保存在SRAM內，從而減少了DRAM存取。此外，東芝還在加速器上增加了一個解壓縮單元。可透過解壓縮單元載入預先壓縮並儲存在DRAM中的加權數據。因此，降低了載入來自DRAM的加權數據時產生的功耗。
- 減少了SRAM存取。傳統深度學習需要在處理DNN的每一層之後存取DRAM，因此功耗過高。該加速器在DNN的DNN執行單元中設計有流水線層結構，以便在一次SRAM存取期間執行一系列DNN計算。

深度神經網路 (DNN) 加速器

The developed SoC