GrAI Matter Labs veut réduire la latence de l'IA embarquée

摘要

Censées offrir d'importants gains de performances et de consommation par rapport aux architectures classiques de type von Neumann dans le traitement des réseaux neuronaux sur lesquels se base l'intelligence artificielle, les architectures dites neuro-morphiques ont le vent en poupe. Elles restent cependant rares (on citera par exemple BrainChip et aiCTX) : leur mise au point relève de techniques singulières, se heurte au poids des habitudes et nécessite le développement parallèle d'outils logiciels capables d'en tirer la substan-tifique moelle sans être un expert en intelligence artificielle. Raison de plus pour mettre en lumière la start-up GrAI Matter Labs, son architecture NeuronFlow et son premier processeur GrAI One réalisé en technologie Cmos 28 nm par le fondeur taïwanais TSMC. Basée à Paris, GrAI Matter Labs (GML) s'appuie sur vingt ans de recherche sur le fonctionnement du cerveau menée à l'Institut de la vision, centre de recherche dédié aux maladies de la vision sous la tutelle de la Sorbonne, de l'Inserm et du CNRS. Ces recherches ont abouti à la création d'une première société, Brainiac, incubée en 2016 dans la couveuse iBionext. Brainiac a ensuite levé 15 millions de dollars lors d'un premier tour de table en décembre 2017, quelques mois avant de prendre son nom actuel. GrAI Matter Labs dispose également d'un fort ancrage du côté d'Eindhoven (son cofondateur Atul Sinha étant un ancien de chez Philips et Silicon Hive) et à San José, en Californie. Les sites français et américain s'occupent du développement des applications et des ventes, le site néerlandais étant principalement dévolu à la conception hardware, à commencer par l'architecture Neuronflow. Cette dernière repose sur un réseau de cœurs et de mémoires auprès desquels s'effectue une partie du traitement des données, ce qui réduit les embouteillages de données typiques des modèle von Neumann. Les cœurs manipulent des données 8 ou 16 bits et sont reliés par un réseau à commutation de paquets, l'ensemble étant déclenché par les événements. « Les cœurs sont synchronisés par une horloge globale, mais les calculs à travers les différentes couches du réseau neuronal sont exécutés de manière asynchrone ce qui réduit la latence», explique GML. Les gains de performances proviennent en partie du flux dynamique limité aux variations de données, selon le principe des matrices creuses. Dans les signaux issus de capteurs, qu'il s'agisse d'un microphone, d'une caméra ou d'un radar ou lidar, deux échantillons successifs ne présentent que peu de différences. Il est donc avantageux de ne travailler que sur ces différences, à l'instar des algorithmes de compression vidéo qui n'encodent que les différences successives entre des images références et non pas chaque image dans son intégralité.