The Pulse
Tohoku e Aisin realizzano un chip IA a 16 nm che si avvia in 65,7 ms
Tohoku University e Aisin hanno sviluppato un system-on-chip per l’IA a 16 nm con 32 MB di STT-MRAM integrata, che memorizza sul chip sia i pesi del modello di IA sia i dati di avvio del sistema operativo. In una dimostrazione con Tiny YOLO
AI.info Team · Scritto con l’IA · verificato ·
Tohoku University e Aisin hanno sviluppato un system-on-chip per l’IA a 16 nanometri che avvia il sistema operativo in 65,7 millisecondi, dotato di 32 MB di memoria magnetica ad accesso casuale a trasferimento di spin (STT-MRAM) integrata. L’università ha annunciato il risultato il 2 novembre 2026, descrivendo il chip come un sistema di calcolo near-memory progettato per eseguire il rilevamento degli oggetti senza DRAM esterna o unità SSD. Per il rilevamento degli oggetti con Tiny YOLOv3, riporta un consumo energetico di 50,7 millijoule per fotogramma.
32 MB di MRAM contengono il modello e i dati di avvio
Il chip memorizza nella STT-MRAM integrata sia i pesi del modello di IA sia i dati di avvio del sistema operativo. Secondo l’università, questa soluzione elimina la necessità di trasferire tali dati da un’unità SSD o da una DRAM esterna all’avvio del sistema. La STT-MRAM conserva i dati anche senza alimentazione: secondo l’annuncio, il team ha sfruttato questa proprietà per ridurre le correnti di dispersione in standby, mantenendo rapido l’accesso alla memoria.
I ricercatori hanno combinato il calcolo near-memory con un’architettura di moltiplicazione ibrida a 8/16 bit e tecniche di condivisione dei pesi. Questi metodi permettono al sistema di eseguire Tiny YOLOv3 entro i limiti dei 32 MB di memoria integrata del chip. Tiny YOLOv3 è una versione più piccola del modello di rilevamento degli oggetti YOLO, che identifica gli oggetti e la loro posizione nelle immagini.
Il chip utilizza un processo FinFET a 16 nm e integra una CPU Arm Cortex-A53 dual-core, una GPU Arm Mali-G31, un acceleratore per l’IA e la STT-MRAM. Nella configurazione convenzionale descritta dall’università, i pesi del modello vengono trasferiti dalla memoria flash alla DRAM prima che l’acceleratore per l’IA li elabori. La nuova soluzione legge invece i pesi necessari direttamente dalla STT-MRAM sul chip.
Per far rientrare il modello nella memoria disponibile, il team ha combinato moltiplicazioni a 16 per 16, 16 per 8 e 8 per 8 bit. Secondo l’università, questo ha ridotto i dati dei pesi del modello da 17,7 MB a 9,36 MB, un calo del 53%, mentre il valore riportato della mean average precision è passato da 0,325 a 0,316. I ricercatori hanno inoltre utilizzato la condivisione dei pesi all’interno di blocchi 4 per 4, riutilizzando gli stessi pesi del kernel su più cicli di clock per ridurre gli spostamenti di dati e i requisiti di larghezza di banda locale.
Tempo di avvio e velocità di rilevamento misurati separatamente
Tohoku riferisce che il sistema operativo si avvia 65,7 millisecondi dopo l’accensione, con un miglioramento di 38,59 volte rispetto all’approccio convenzionale usato per il confronto. Il comunicato indica in 2.535,3 millisecondi il tempo convenzionale fino all’avvio del kernel. L’annuncio afferma separatamente che il tempo di elaborazione dell’IA si è ridotto di un fattore 10,16, mentre il sistema completo ha ottenuto una riduzione del tempo di 25,2 volte. Si tratta di misurazioni distinte: il dato di 65,7 millisecondi descrive l’avvio fino al caricamento del sistema operativo, non il tempo necessario a rilevare gli oggetti in un fotogramma.
Per il rilevamento degli oggetti con Tiny YOLOv3, il tempo di elaborazione è sceso da 594,6 millisecondi a 58,5 millisecondi, secondo il comunicato dettagliato. Nel sistema convenzionale, 12 MB di pesi del modello dovevano essere trasferiti dall’unità SSD alla DRAM prima dell’elaborazione dell’IA. Nella dimostrazione, l’accesso diretto del chip ai pesi nella STT-MRAM evita questo trasferimento.
Il team ha misurato un consumo energetico di 50,7 mJ per fotogramma per il rilevamento degli oggetti con Tiny YOLOv3. Secondo Tohoku, equivale a un cinquantesimo del consumo energetico del sistema convenzionale. Il comunicato non fornisce il valore assoluto del consumo energetico per fotogramma del sistema convenzionale, quindi il confronto è espresso come rapporto.
La presentazione ad A-SSCC segue l’annuncio del 2 novembre
L’università ha dichiarato che i risultati sarebbero stati presentati alla IEEE Asian Solid-State Circuits Conference, o A-SSCC 2026, in programma dall’1 al 4 novembre a Hsinchu, Taiwan. Il paper si intitola «A 65.7ms Quick-instant-on and 50.7mJ/frame Tiny YOLOv3-based Object-detection 16nm-AI-SoC with 32MB-embedded-MRAM and Hybrid-multiplication-architecture». Gli autori indicati sono Tetsuo Endoh, Takanobu Naruse, Tao Li, Shoji Ikeda, Mitsuo Yasuhira e Hiroshi Yamada.
Endoh è indicato come professore e direttore del Center for Innovative Integrated Electronic Systems di Tohoku University; Naruse e Yamada sono indicati come appartenenti ad Aisin. Secondo l’università, parte del lavoro è frutto di un progetto commissionato dalla New Energy and Industrial Technology Development Organization giapponese. L’annuncio descrive possibili applicazioni future in veicoli, robot, apparecchiature industriali e dispositivi di rilevamento, ambiti in cui si ricercano un avvio rapido e bassi consumi energetici. La dimostrazione riportata si concentra invece sul rilevamento degli oggetti con Tiny YOLOv3 e sui risultati misurati in termini di avvio, tempo di elaborazione ed energia.