Från Cadence kommer Tensilica Vision P6 DSP, en signalprocessorarkitektur optimerad för självlärande datorer i till exempel autonoma bilar och övervakningssystem. Den nya familjen har upp till fyra gånger högre prestanda än föregångaren.

Chris Rowen, grundare av Tensilica

Självlärande system kan vara baserade på konventionella processorer, grafikprocessorer, programmerbar logik, signalprocessorer eller helt specialkonstruerad logik. Det senare ger bäst prestanda och lägst energiförbrukning, men i praktiken blir lösningarna alldeles för oflexibla. Alternativet med optimerade signalprocessorer har betydligt bättre möjligheter att kombinera låg energiförbrukning, höga prestanda och tillräcklig flexibilitet.
– Vi satsar stora resurser för att förbättra både strukturer och träning för nervnät, säger Chris Rowen, grundare av Tensilica. Vår nya DSP-arkitektur är ett direkt resultat av de investeringarna och den optimerade arkitekturen innebär ett stort steg både vad gäller effektivitet och skalbarhet.
Tensilica köptes för några år sedan av Cadence och bildar nu en viktig del av företagets IP-grupp. I grunden baseras alla Tensilicas IP-block på företagets konfigurerbara Xtensa-arkitektur, men de flesta IP-användarna väljer att använda någon av de färdigoptimerade DSP-blocken ur audio- eller videoserien
Tensilica Vision P6 DSP är optimerad för CNN-applikationer (convolutional neural network), vilket kräver massor av MAC-operationer. Uppsnabbad 8- och 16-bitsaritmetik gör att den nya arkitekturen klarar CNN-operationer upp till fyra gånger snabbare än tidigare, utan ökad energiförbrukning.
Arkitekturen klarar också flyttalsaritmetik, vilket innebär att CNN-algoritmer som tagits fram på serverdatorer snabbt kan testas i DSP-miljö, utan att allt först måste skrivas om för heltalsaritmetik.

Arkitekturen för Tensilica Vision P6 DSP (klicka för större bild )

Filed under: Utländsk Teknik