Brainchip Klassengruppe WKN: A14Z7W ISIN: AU000000BRN8 Kürzel: BRN Forum: Aktien User: Rarosch

Das Problem bei Akida 1.0 ist die geringfügige Speicherfähigkeit (Memory), was zu einem fehlenden Langzeitgedächtnis führt. Alle Berechnungen werden "on the fly" im Kurzzeitgedächtnis durchgeführt. Daraus ergeben sich nur beschränkte Einsatzmöglichkeiten, ein Grund, warum Renesas nur 2 Knoten für einfache Anwendungen, bei denen es hauptsächlich um Stromersparnis geht, lizensiert hat. Hier nochmal das Akida-Datasheet zum Nachlesen: https://brainchip.com/wp-content/uploads/2022/06/Akida-1.0-IP-Product-Brief_final.pdf Dieser gravierende Nachteil ist natürlich bekannt, deshalb arbeitet Brainchip seit längerem an Akida mit LSTM: https://www.alexanderthamm.com/de/data-science-glossar/long-short-term-memory/ Brainchip ist in die Kommerzialisierung gegangen, obwohl sich alles noch in der Entwicklungsphase befindet. Ein erzwungener Schritt, weil Brainchip als kleines Unternehmen nicht die Ressourcen von Intel hat, die Loihi 2 in ihren R&D Abteilungen mit viel Geld vor Markteinführung fertigentwickeln. Deshalb sollte man dringend die Erwartungen anpassen. Aktuell sind wegen der vorhandenen Defizite nur einfache Anwendungen umsetzbar. Alle kurzen Präsentationen von Brainchip oder Nviso sind nicht aussagekräftig, weil das Langzeitgedächtnis dort keine Rolle spielt. Der dringend notwendige nächste Schritt ist die Kommerzialisierung von Akida 2.0 mit LSTM, die schon länger überfällig ist.

Akida besitzt 8MB SRAM Memory. Z.B benötigen alle NVISO Modelle im Brainchip Akida Format unter 1MB. Gerade die benötigte Speichergrößen sind ein großer Vorteil. Siehe Grafik: https://www.nviso.ai/en/news/nviso-announces-it-has-reached-a-key-interoperability-milestone-with-brainchip-akida-neuromorphic-ip

Ich verstehe es so, daß die 8MB SRAM zur Speicherung der Trainingsdaten, also der Grundlagen der AI dienen. Der temporäre Speicher, auf den zugegriffen wird, ist der hier: Internal memory per NPU (50 to 100 KB per NPU), und der bietet nicht viel Spielraum.

Danke für zuverlässige Infos über die Konkurrenz. Könnte jetzt verschiedene technische Links schicken, lieber nur kurz. Das Ambarella SoC wird in 5nm Fertigung hergestellt. Akida ist Stand jetzt bis maximal 7nm skalierbar, Thema abgehakt.

Zu LSTM: https://databasecamp.de/ki/lstm Das Problem von Recurrent Neural Networks ist, dass sie die vorherigen Daten einfach in ihrem „Kurzzeitgedächtnis“ abspeichern. Sobald der Speicher darin ausgeht, wird einfach die am längsten erhaltene Informationen gelöscht und durch die neue Daten ersetzt. Das LSTM Modell versucht diesem Problem zu entkommen, indem es nur ausgewählte Informationen im Kurzzeitgedächtnis behält.