Microchip übernimmt Neuronix AI Labs, passende FPGAs, Computer Vision

Microchip übernimmt Neuronix AI Labs, passende FPGAs, Computer Vision

Microchip Technology hat kürzlich bekannt gegeben, dass es das vierjährige Computer-Vision- und KI-Start-up Neuronix AI Labs übernommen hat, um seine Fähigkeiten für stromsparende, KI-fähige Edge-Lösungen über FPGAs zu erweitern. Diese Übernahme erfolgt vor dem Hintergrund der breiten Einführung von Computer-Vision-Technologie, die mit KI-Fähigkeiten in intelligenten Fabriken, Automobilen, Smartphones und einer Vielzahl anderer Edge-Geräte eingesetzt wird.

Die Übernahme von Neuronix AI Labs aus Sunnyvale, Kalifornien, durch Microchip ist Teil einer Reihe von Deals, bei denen Computer-Vision-Start-ups von größeren Technologiefirmen übernommen wurden. Darüber hinaus zeigte sich, dass die Entwicklung im FPGA-Markt durch den Wettbewerb und die zunehmende Bedeutung von KI-Fähigkeiten geprägt ist, wie beispielsweise durch die Neuorganisation von Intels FPGA-Geschäft und AMDs jüngste Expansion in den Bereich der energieeffizienten FPGAs.

Neuronix AI Labs bietet Technologie zur Optimierung der neuronalen Netzwerksparsamkeit, die eine Reduzierung von Energieverbrauch, Größe und Berechnungen für Aufgaben wie Bildklassifizierung, Objekterkennung und semantische Segmentierung ermöglicht, während eine hohe Genauigkeit beibehalten wird. Diese Fähigkeiten sind gut auf die Mittelklasse-PolarFire-FPGAs und SoCs von Microchip abgestimmt, die durch ihren geringen Energieverbrauch, Zuverlässigkeit und Sicherheitsmerkmale überzeugen.

Die Technologie von Neuronix AI wird den Geräten einen Schub in der Verarbeitung von KI/ML ermöglichen und Microchip dabei unterstützen, kostengünstige, groß angelegte Edge-Bereitstellungen von Komponenten für den Einsatz in Computer-Vision-Anwendungen auf Systemen zu entwickeln, die Kosten-, Größen- und Leistungsbeschränkungen haben. Die Kombination des geistigen Eigentums von Neuronix AI und der bestehenden Compiler und Software-Design-Kits von Microchip ermöglicht es auch Nicht-FPGA-Designern, leistungsstarke parallele Verarbeitungsfähigkeiten zu nutzen, ohne über detaillierte Kenntnisse des RTL-Flusses zu verfügen.