西井科技 通用AI引擎架构

【嘉德点评】西井科技发明的AI芯片结构，利用同一种卷积引擎硬件结构来适配多种结构，从而有效的提高了乘法器资源的利用率以及实现了数据的动态分布。

集微网消息，西井科技成立于2015年，从研发类脑芯片起步，专注于AI芯片和算法的研发落地。2016年，通过将技术和产品相结合方式服务于智慧港口，利用人工智能技术来完成各种复杂任务，提高港口自动化程度。

而其解决港口客户对码头的智能化升级需求，并服务于集装箱数据智能识别、等项目，重点依靠的技术就是其自主研发的AI芯片。AI芯片主要应用于人工智能领域，其主要使用的算法就是算法。

卷积是一种前馈，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它主要包括卷积层和池化层，目前，卷积已广泛应用于图像分类、物体识别、目标追踪。

对于卷积的处理芯片，还存在着一系列的问题需要研究人员们去解决，例如如何通过乘法器和加法器的排布、设计提高乘法器资源的利用率，且根据不同的卷积核的尺寸实现不同的乘法器资源分配，以实现数据的动态分布。

为此，西井科技在2020年6月24日申请了一项名为“芯片结构及其乘加计算引擎”的发明专利（申请号202010587029.X），申请人为上海西井信息科技有限公司。

根据该专利目前公开的资料，让我们一起来看看这项AI芯片技术吧。

由于乘加计算引擎中包括多个卷积引擎，而卷积引擎又包括多个乘法器和加法器，如上图，为卷积引擎应用于尺寸为33的卷积核的示意图。33的卷积大小是目前主流模型中经常使用的，每个卷积引擎包括15M4个乘法器，每个卷积组11包括3行4列乘法器且对应一个卷积核计算，5组卷积组可以支持5个不同的卷积核并行计算。

而上图只是一个以33卷积核为例的示例，在的实际应用中，还有55、77等常用卷积核，该专利对于其大小并没有进行限制，每个卷积引擎在应用于卷积核时，可以按照卷积核的尺寸划分为多个卷积组，每个卷积组的乘法器的行数与卷积核的行数一致，每个卷积组的乘法器的列数为N，这样就可以根据不同的卷积核的尺寸实现不同的乘法器资源分配，进一步实现数据的动态分布。

如上图，为这种卷积引擎的示意图，可以看到其具有多个输入特征图通道，这是为了当输入的特征图具有较高维度时可以进行并行加速。，这种卷积引擎还可以进行M倍于输入特征通道的并行加速，每个卷积组输出的N行部分累加值可以叠加到下一层的输入中，这与算法的设计也是相一致的。

考虑到常用的主流卷积模型，输入特征通道的数量通常以偶数出现，一般是2的n次方的形式。由此，可以利用16个卷积组，用于支持16个不同的输入特征图的通道进行计算。

图中所展示的16个不同的输入特征图，以一个输入像素点为例，一个输入像素点要进行16个通道的数据乘加，也就是16个乘法和M/2个加法，而在硬件的角度进行实现时，需要设计硬件加速方案，这种硬件加速方案由卷积引擎组成多级联结构，每组级联结构包括M/2个级联的处理单元，如下图所示。

如图，为处理单元的示意图，每个处理单元50包括第一输入接口511至第五输入接口515、第一触发器531至第五触发器535、两个乘法器（541和542）以及两个加法器（551和552），，该结构还具有输出接口、时钟信号和触发器等部件。

第一输入接口至第四输入接口分别与第一至第四触发器相连，时钟信号也与触发器相连，用于开启触发器，从而控制处理器进行乘加运算。

而在16个输入特征通道的例子中，可以使用8个级联的方式来完成一个像素点在16个通道内的乘加运算，具体的连接方式如下入所示

可以看到级联的处理单元的输出结果为一个输入特征图像素点的16通道乘累加结果，在这个架构下，以33的卷积核为例，9个输入像素点的16个输入特征通道值进行相加，在6个时钟周期下生成最终的卷积操作的运算结果。

以上就是西井科技发明的AI芯片结构，这种硬件结构的特点就在于，利用不变的卷积引擎，应用在不同、不同大小的卷积核中。从而可以有效的提高乘法器资源的利用率，并且根据不同的卷积核的尺寸可以实现不同的乘法器资源分配，也就可以做到数据的动态分布，达到需要的计算方式。

（校对/holly）