Brainchip Klassengruppe WKN: A14Z7W ISIN: AU000000BRN8 Kürzel: 24Y Forum: Aktien User: Rarosch

Im Grunde können wir fest halten das es kein erzwungener Schritt war. Es ist ein fertiger Chip der für eine Vielzahl von kommerziellen Ki Anwendungen da ist, getestet und bestätigt durch Kunden und Partner. Der AKD 2.0 wird durch LSTM (und vielleicht noch mehr Neuronen und Synapsen) eine Verbesserung des Vorgängermodell.

Aber weniger Knoten bedeutet ja automatisch weniger Speicherbedarf. Zudem benötigen die Modelle im Brainchip Format nur noch ein Bruchteil vom Standard.

Genau, der Speicher ist für den 80 Knoten Akida Chip.

Habe gerade nochmal nachgeschaut. Ja, die RAM Angabe ist der hochgerechnete interne Speicher der NPUs einer kompletten SoC, also ein flexibler Wert abhängig von der Menge der verwendeten Knoten: https://brainchip.com/products/ Siehe unter Highly Configurable IP Platform.

Oder mit den 8MB ist der zusammengerechnete interne Speicher der kompletten SoC gemeint. Was dann aber bei der Verwendung von einzelnen Knoten eine sehr geringe Speicherleistung ergibt.

Ich will gar nicht auf deine Fehlinterpretation von Akida 2.0 mit LSTM eingehen... aber: Sorry. Für mich ist das Thema nicht "abgehakt". Wie kommst du auf den schmalen Pfad, dass Akida maximal bis 7 nm skalierbar ist? Nur wegen dem Datenblatt, in dem von "in 7nm noch schneller" gesprochen wird?

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.

Immer dieses technische Zeugs,🤪🤠schönes Wochenende 👋🍻

Tolle Graphik: vor allem auf der anderen Achse (Increasing Performance) steht brainchip ganz oben!

Ja 😂

Ah ja, ok 👌🏻 So wie bei mir wenn meine Frau was sagt 😂 Ich muss selbstständig entscheiden was wichtig ist und was nicht und nicht einfach die älteste Info löschen 🤣

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.

Oh jetzt hab ich meinen Beitrag von oben gelöscht 😅😂 Das Beispiel was Fact Finder mal gebracht mit den Ball der über die Straße rollt und ein Kind folgt? Ohne LSTM, der Ball wird erkannt Mit LSTM, der Chip kann die Vorhersage treffen das ein Kind folgen wird und darauf reagieren

LSTM dient dafür Vorhersagen zu treffen.

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

Minute 5:50 ca https://youtu.be/dbMwu1g8WX8