日本語 - 日本

    生成AIが半導体の次のイノベーションの波を牽引します。

    Leading Edge AI

    最先端のAIソリューション

    高性能で電力効率に優れたシステムオンチップ製品の開発で業界をリードするMediaTekは、自社設計の強力なAIプロセッサーの利点をすでに多様な製品エコシステムに導入しています。

    当社は現在、コネクテッドデバイス向けに毎年20億個以上のチップを出荷しており、その多くに当社のAIプロセッサが搭載されています。このため、当社は世界最先端のAIサプライヤーの1つとなっています。当社のAI技術は、家庭、教育、エンタープライズ、モバイル、自動車など、幅広い市場において活用されています。

    MediaTekハイブリッドAI - エッジとクラウド

    MediaTekは、クラウド上、デバイス内のエッジ、またはクラウドとエッジの両方を活用するハイブリッドアプローチのいずれに展開する場合でも、生成AIアプリケーションとテクノロジーの導入を推進し、サポートする独自の立場にあります。

    Hybrid AI

    包括的なMediaTek AIエコシステム

    MediaTek AIエコシステムには、ハードウェア、開発ツール、ソフトウェア開発キット(SDK)が含まれます。

    ソフトウェア開発者は、包括的なツールとアルゴリズムにアクセスすることができ、MediaTek NeuroPilotは、MediaTekの全製品範囲にわたってアプリ開発を簡素化する「write-once-deploy-everywhere(一度きりの記述で、どこにでも展開)」戦略を可能にします。

    Ai-Ecoystem

    MediaTek AI
    プロセッシングユニット

    MediaTek NPU(AIタスク専用プロセッサ)は、システムオンチップ内のCPUやGPUと同様に重要です。

    MediaTek NPUは、スマートフォン、タブレット、AI+IoT、スマートTV、ネットワーキングSoCなどのエッジデバイスにAIアクセラレーションを実装するための非常に効率的なアーキテクチャを提供します。

    5つの一般的なニューラルネットワークをベンチマークとして使用し、平均消費電力/性能曲線を見ると、MediaTekのディープラーニングアクセラレータ(DLA)は、一般的なCPUと比較して27倍の電力効率、一般的なGPUと比較して15倍の電力効率を実現しています。

    CPU-chips-new

    MediaTek NPUテクノロジー

    MediaTek NPUは、アプリケーションの要件に応じて、MDLAとMVPUの両方のコアをさまざまな数量で搭載できる、拡張性の高いマルチコアプロセッサです。

    2023年に、MediaTekは7世代目のNPUを発表しました。このNPUは、トランスフォーマーモデルに基づく生成AIの加速に特化して設計されています。その非常に柔軟な設計は、アプリケーションの要件に応じて、計算ユニット、電力使用、メモリ帯域幅、メモリ容量でパフォーマンスをスケールさせることができます。スマートフォンSoCであれ、データセンターグレードのスーパーチップであれ対応します。

    • ハードウェアベースのマルチコアスケジューラ。
    • ディープレイヤーフュージョンとデータ圧縮を実行し、DRAM帯域幅への要求を低減する専用DMAエンジン。
    • パワーインテリジェンスと共有メモリ認識
    • MediaTekによる低遅延のコア間通信を実現するネットワークオンチップ(NoC)設計。
    APU_Tech
    • 高性能、プログラマブル、多用途で、エネルギー効率の高いMACアーキテクチャを備え、幅広いNNアプリケーションでデータの再利用を実行できます。
    • 以下のようなさまざまな種類のネットワークを処理するよう設計されています。
      • (a) 畳み込みニューラルネットワーク
      • (b) リカレントニューラルネットワーク
      • (c) 長・短期記憶モデル
      • (d) トランスフォーマーによるモバイル双方向エンコーダー表現(BERT)
    • INT4/INT8/INT16、FP16、BF16、混合精度をサポートし、消費電力をさらに削減します。
    • ISPおよびDPU(ディスプレイ)とのサブシステム間方向通信により、遅延と電力消費が最小限に抑えられます。
    MDLA-Desktop-updated
    • コンピュータビジョン(CV)およびニューラルネットワーク(NN)アプリケーション向けに最適化された汎用DSP。
    • 写真、ビデオ撮影、ビデオストリーム再生など、ビジュアル処理アプリケーションに最適な消費電力とパフォーマンスのバランスを実現。
    MVPU-Desktop

    MediaTek NeuroPilot SDK

    MediaTek NeuroPilotは、お客様や開発者がMediaTek SoC上で使用するAIベースのアプリケーションを最適化するためのソフトウェアツールとAPIのセットです。

    これらのツールには、開発をさらに加速できる事前学習済みのディープラーニングモデルを含む、ローカルバージョンとクラウドバージョンの両方が用意されています。NeuroPilotは、TensorFlow、Caffe、ONNX、トランスフォーマーなど、多くの主流のAIフレームワークをサポートしており、LinuxとAndroid OSの両方で動作します。シリコン開発後の段階で、開発者は学習済みAIモデルをプラットフォーム上に展開し、パフォーマンスを直接測定することができます。

    コアにある効率性

    NeuroPilotはプラットフォームに対応した最適化も提供します。NeuroPilotにより、アプリケーションは動作するSoCハードウェアを理解し、CPU、GPU、NPU、DSPのいずれであっても、最も適切なプロセッシングユニットにAIタスクを送信します。

    さらに、必要に応じて、NeuroPilotはヘテロジニアスコンピューティングを採用し、複数のプロセッシングユニットの長所を組み合わせて最良の結果を提供します。例えば、3DグラフィックスのレンダリングAI-VRS、AI-HDR、超解像度アップスケーリングでは、GPUとNPUを併用します。

    MediaTek Researchは、日常的に使用するデバイスにおけるAIエコシステムの拡大と向上に取り組んでいます。

    MediaTek Researchは、コンピュータサイエンス、エンジニアリング、数学、物理学の多様なバックグラウンドを持つ優秀な研究者で構成される専門的なAI研究チームです。同チームのビジョンは、人工知能(AI)と機械学習(ML)の可能性の限界を押し広げることであり、それが未来を形作る新たな機会、発見、進歩を解き放つことができると信じています。

    Mar 8, 2023

    Extending the Pre-Training of BLOOM for Improved Support of Traditional Chinese: Models, Methods and Results

    In this paper we present the multilingual language model BLOOM-zh that features enhanced support for Traditional Chinese. BLOOM-zh has its origins in the open-source BLOOM models presented by BigScience in 2022.

    New

    Feb 02, 2023

    Fisher-Legendre (FishLeg) optimization of deep neural networks

    We introduce a new approach to estimate the natural gradient via Legendre-Fenchel duality, provide a convergence proof, and show competitive performance on a number of benchmarks.

    New

    Dec 19, 2022

    A Learning-Based Algorithm for Early Floorplan With Flexible Blocks

    This paper presents a learning-based algorithm using graph neural network (GNN) and deconvolution network to predict the placement of the locations and the aspect ratios for the design blocks with flexible rectangles.

    Oct 31, 2022

    Near-Optimal Collaborative Learning in Bandits

    A near-optimal algorithm is proposed for pure exploration in a new framework for collaborative bandit learning that encompasses recent prior works.

    Nov 24, 2022

    Gradient Descent: Robustness to Adversarial Corruption

    We provide performance guarantees for gradient descent under a general adversarial framework

    Improved Convergence Rates for Sparse Approximation Methods in Kernel-Based Learning

    Kernel-based models such as kernel ridge regression and Gaussian processes are ubiquitous in machine learning applications for regression and optimization.

    Feb 20, 2022

    Regret Bounds for Noise-Free Kernel-Based Bandits

    Kernel-based bandit is an extensively studied black-box optimization problem, in which the objective function is assumed to live in a known reproducing kernel Hilbert space.

    LPI: Learned Positional Invariances for Transfer of Task Structure and Zero-shot Planning

    Real-world tasks often include interactions with the environment where our actions can drastically change the available or desirable long-term outcomes.

    Jun 1, 2022

    Adaptive erasure of spurious sequences in sensory cortical circuits

    Sequential activity reflecting previously experienced temporal sequences is considered a hallmark of learning across cortical areas.

    Apr 13, 2022

    Flexible Multiple-Objective Reinforcement Learning for Chip Placement

    Recently, successful applications of reinforcement learning to chip placement have emerged. Pretrained models are necessary to improve efficiency and effectiveness.

    OSZAR »