- Advertisement -
首頁 標籤 AI

AI

- Advertisment -

安霸採用Cadence Clarity 3D求解器 3D分析更精準

全球電子設計創新廠商益華電腦(Cadence)宣布,安霸(Ambarella)採用Cadence Clarity 3D求解器設計其下一代的人工智慧視覺處理器設計。安霸的產品廣泛用於人類與電腦視覺應用中,包括影像監控、駕駛輔助系統(ADAS)、電子視鏡、行車紀錄、駕駛/車內監控、自動駕駛和機器人應用。 安霸採用Cadence Clarity 3D求解器完成電腦視覺(CV)SoC和PCB產品的模擬評估。兩項模擬結果皆顯示,在無確切的高速訊號的固態參考平面時,Clarity 3D求解器可識別設計上的缺點並矯正散射參數(S-參數)的回應。對於封裝和PCB佈局幾何組合的設計,以202個端口通過LPDDR4介面以48位元運行,在使用32個CPU的情況下,Clarity 3D求解器僅用了29個小時即可處理完成。 安霸VLSI副總經理Chan Lee表示,安霸精益求精開發系統設計方法,以維持競爭優勢。Cadence Clarity 3D求解器的速度、效能和精確度,讓我們得以加快設計流程並縮短設計時間。希望能利用Clarity 3D求解器,輕鬆且迅速地解決下一代5奈米人工智慧設計研發將遭遇到的許多可能挑戰。 Clarity 3D求解器利用先進的分散式多進程技術,有效處理設計複雜3D結構時所會遭遇到的電磁挑戰。創新的Clarity 3D求解器與Cadence的晶片、封裝及PCB設計解決方案結合,成為Cadence智慧系統策略的一部份。如需更多Clarity 3D求解器相關資訊,請造訪網址www.cadence.com/go/claritya以深入了解。
0

宸曜GPU人工智慧電腦再獲百度指定為自駕開發硬體平台

宸曜科技 (Neousys)最新推出的GPU人工智慧平台-Nuvo-8108GC成為百度阿波羅自動駕駛最新開發套件3.0版本(Baidu Autonomous Driving Development Kit, Apollo D-kit)中的獨家合作硬體平台,自百度Apollo 1.0以來,持續擔任自動駕駛技術平台的運算與控制中心,提供強大運算能力及高穩定度。 百度Apollo自動駕駛平台擁有177家生態合作夥伴(截至2019年年底),包含全球各大汽車製造商、晶片公司、感測器公司、交通系統整合商等,囊括從硬體到軟體的完整供應鏈。在這次Apollo D-kit 3.0中,最大亮點之一即是作為自動駕駛核心的運算與控制中心- Nuvo-8108GC,其所搭載的CPU和GPU皆獲得大幅度升級。配置於百度Apollo所提供的軟硬體及雲端服務結合的方案中,能滿足開發者的各種自動駕駛應用需求。 宸曜科技的Nuvo-8108GC是一台兼具工業等級設計及車載應用功能的強固型 GPU運算人工智慧平台,支援 250W NVIDIA GPU高階影像顯示卡和Intel Xeon E系列或第九代/第八代 Intel Core處理器,配備宸曜科技獨特的散熱設計、可靠的電源輸入與抗震設計,其高算力與穩固性非常適合運用在自動駕駛、視覺檢測和智慧監控等新興人工智慧產業。 宸曜科技產品經理鄧博元表示,宸曜科技的GPU人工智慧平台提供寬溫、寬電壓以及抗震結構等強固設計,讓擁有強大運算處理能力的GPU電腦可被部署於環境嚴苛的垂直應用場域。自百度Apollo 1.0開始,此次的Nuvo-8108GC是宸曜科技與Apollo自動駕駛開發平台合作的第三款機型,是對GPU運算平台在自動駕駛應用的一大肯定。 宸曜科技致力於將AI推理應用從實驗室推動到對可靠性要求更高的現場應用,於此也將持續開發運算能力與強固性並進的GPU運算人工智慧平台。
0

AI導入醫療領域 專網/精準醫療成趨勢

隨著疫情席捲全球,全球醫療人力問題成為矚目焦點。資深產業分析師吳駿驊表示,醫療導入AI是與人類共同協作,釋放出醫護人力而非取代之,而目前AI醫療健康發展雖然仍以臨床診療為核心,但其實多個健康照護的次領域都快速採用AI技術,特別是經歷2020年全球肺炎疫情,過去資源比重被輕忽的公共衛生次領域又重新獲得重視,其AI技術包含疾病預測與預防、流行病源基因演化路徑等。 示意圖 療導入AI是與人類共同協作,釋放出醫護人力而非取代之。來源:MIC資策會 針對AI醫療健康發展,吳駿驊表示,台灣廠商主要可思考三大機會: 一、過去醫療核心臨床領域被國際大廠把持,現在利用AI破壞式創新,臺灣廠商將有機會從醫療周圍次領域,找尋機會進入核心。 二、國內ICT業者可透過與AI醫療新創業者的合作,共同打造醫院解決方案,利用產業競合關係取得有利位置。 三、可預期「精準健康」需求將帶來新商機,業者不妨由消費性電子產品出發,發展數據收集與分析相關軟硬體產品。 醫療產業已來到不得不數位轉型的路口,資策會MIC表示,四大轉型趨勢包含以病患為中心發展個人化、精準醫學;透過機器人分擔工作、模擬訓練提升經驗、自動化釋出時間,提升醫護能量;利用智慧科技協助工作分流,如AI輔助決策性工作、智慧導診,優化臨床流程;如居家生理監控,讓醫療走出醫院,整合社區照護。不過想轉型成功,須先擁有良好的通訊品質,5G特性為大頻寬、低延遲、大連結,也因此成為醫療數位轉型最關鍵的催化劑。 資策會MIC指出,5G智慧醫療有六大潛力應用,國內ICT業者可多加留意,包含遠距生理監控、醫療物流機器人、AR手術導航系統、手持行動超音波、遠距醫療推車、數位五官鏡遠距診療。觀測疫情也為5G智慧醫療帶來應用機會,主要聚焦遠距會診,以及為了減少醫護人員感染風險,透過醫療服務機器人與醫療穿戴裝置監控與照護病患。在疫情推波下,遠距醫療、居家醫療與社區照護預期將首先落地實現,下一個階段可注意醫院專網,由於醫院導入智慧應用需配合高品質與網路資安,醫院專網是未來不可避免的趨勢。
0

安提國際攜手SmartCow 打造AI防疫醫療協助系統

醫療體系的基礎源自於人類的文明發展,而每個創新的醫療研究,無不在展現自體的價值與延續文明持續與擴展的力量。當世界各地正承載著COVID-19疫情的影響,人工智慧解決方案開發者也正在找尋醫療的協助系統,以維持公共衛生體系的健全。GPGPU和AI邊緣運算解決方案供應商安提國際與AI解決方案開發者SmartCow共同打造醫療協助系統Edgar,在邊緣運算平台建立六種AI模組。 做為以人工智慧打造的醫療保健助理,Edgar基於安提國際AN110-NAO平台而生,發展成專屬於工作環境安全、病患關懷的系統。在公共領域中,AI的應用以原生的設備為基礎而生,其一以一體機的方式呈現、其二則是加裝額外的機器,不論何種都需要更精確、妥善的利用配置空間,而AN110-NAO的尺寸只有87.4x67.4x46 mm(搭配風扇),精巧的大小讓其在部署上有更彈性的空間。多元I/O的支援則是打造系統一體機的重要後盾。AN110-NAO已配備完善且多數常見的I/O,其中包含I2S插槽,可以支援音效擴充,恰符合Edgar應用環境上的需求—警示音放送。此外,在視覺人工智慧應用中,相機的支援是完備應用的核心,安提國際的平台支援MIPI CSI-II介面的1x 4k相機或是2x FHD相機,為Edgar提供高解析度相機,精緻的影像帶來最正確的現實場景辨識。 Edgar支援六種人工智慧模組,包含社交距離量測、口罩辨識及安全打噴嚏動作分類等。藉由不同的AI模組,Edgar在醫療緊急時刻,打造安全環境,協助前線醫療人員防範呼吸道疾病。而其中Edgar能夠廣泛使用的應用—口罩辨識;可以輕易地部署於應用環境的出入口,透過人工智慧辨識進入者有無配戴口罩,並針對個別結果提供方向指示與不安全提醒。這樣的口罩辨識軟體可以辨識PPE、N95或是外科用口罩。另外,Edgar的社交距離辨識,也特別為公共場所應用所打造,可以結合公部門網路使用,在兩個人之間維持至少6英寸(約1.8公尺)的距離。 在資訊爆炸的時代,資訊安全與隱私是首要關切之處,也是人工智慧發展過程中,亟需被重視的一環。而Edgar通過一般資料保護規定(General Data Protection Regulation, GDPR)認證,凡Edgar所擷取之影像資料,皆僅會應用於邊緣端之系統,不會上傳雲端流通。Edgar完善考量社會需求,並可以隨時上線提供醫療協助。安提國際Jetson系列平台服務範圍廣泛,經驗豐富的技術建議與邊緣端人工智慧生態圈的支持,提供AI發展的絕佳途徑。
0

AI辨識呼吸成抗疫救星 台灣智慧醫療具技術優勢

人工智慧(AI)搭上新冠疫情(COVID-19)的診斷及照護需求,讓智慧醫療議題再度受到熱門關注。新創團隊針對遠距醫療、家用心電圖、慢性病送藥與智慧醫材主題創業,搭建台灣的智慧醫療生態系。其中聿信醫材研發AI呼吸監測貼片,應用在肺炎病人及手術麻醉時所需的即時、連續呼吸監測需求,並透過AI辨識呼吸症狀。 而綜觀台灣的智慧/遠距醫療的落地過程,從事智慧照護工作多年的謝明家醫師則從醫師角度,分析台灣的遠距照護面臨法規、平台技術、商業模式與線下抗議等四大挑戰。解決技術問題方面,則有賴醫療人員與IT專家的深度合作。 AI聽診貼片辨識呼吸症狀 一般病患就診時,血壓、血糖及心跳等生理現象皆有連續偵測的數據指標,提供醫生診斷參考,但是呼吸方面缺乏相關的測量依據,而且醫生聽診的結果從未整理成客觀數據。新創團隊聿信醫療器材執行長許富舜從中發現醫療領域的不足,找到切入智慧醫療市場的著力點。他認為,AI目前的技術足以辨識不同呼吸聲響,進而找到不順暢的呼吸病徵,協助醫師的臨床診斷工作。 圖1 聿信醫療器材執行長許富舜 高度重視呼吸監測的場景包含手術中的不插管麻醉,以及進行心肺手術或重症治療時,都需要密集掌握患者的呼吸狀況。許富舜說明,為了滿足醫療場域中的呼吸監測需求,聿信研發貼在病患身上的聽診貼片,即時記錄病患的呼吸品質、發生哪些異常。尤其面對新冠肺炎(COVID-19)的診療需求,呼吸貼片能夠讓醫護人員免於近距離聽診,降低感染風險,同時彌補醫護人力不足的問題。聿信在一年內已標註超過40萬筆資料,並在武漢的醫院等地方進入臨床應用階段,未來以呼吸辨識平台為目標,期望所有電子聽診器的音檔皆能在平台上進行AI辨識。 遠距醫療需跨域合作/建立商業模式 智慧醫療產業中,除了科技廠商,醫療專業人員也是促成智慧醫療發展的重要角色。中國醫藥大學附設醫院智能糖尿病暨代謝運動中心副院長謝明家從醫師角度,分析台灣在智慧及遠距醫療的現況與趨勢。台灣在民國84即啟動遠距醫療計畫,希望解決偏鄉醫療資源不足的困境,而107年制定「通訊醫療診察辦法」,並在今年為因應新冠疫情的醫療需求,政府放寬遠距醫療的標準。謝明家管理的遠距照護系統以需要糖尿病控制的患者為對象,病患每日上傳血糖/血壓數據與飲食記錄,搭配個案管理師線上諮詢及緊急狀況處理,即可由每週看診改為一個月回診一次,且多數能在兩周內達到血糖穩定。  圖2 國醫藥大學附設醫院智能糖尿病暨代謝運動中心副院長謝明家 然而在超過十年的執行歷程中,謝明家帶領過全台甚至兩岸合作的遠距醫療團隊,但是目前台灣的遠距醫療仍面臨許多待解決的挑戰。謝明家說明,遠距醫療需要醫療團隊結合雲端平台、通訊系統與量測設備進行診斷,同時克服法規、平台技術、商業模式與線下抗議的挑戰,才能真正落地並普及。 對醫療人員而言,省時且方便使用的平台能真正減少診療所需的時間,因此設計平台的工程師需與使用平台的醫師加強溝通,甚至對彼此的專業具備基礎知識,才能開發適用於臨床場景的工具。此外,若是未來遠距醫療普及甚至納入健保,擠壓診所醫師或藥師的收入,可能面對競爭者的不滿。此外,成功的商業模式與團隊內的合理分潤至關重要,才能留住頂尖人才,維持醫療團隊的品質與永續經營。最終謝明家以台灣的優勢總結,他認為若是把握台灣的醫療及通訊技術優勢,透過科技與醫療專家的深度合作,便能以台灣為練兵場,放眼國際智慧醫療產業。
0

高良率/可靠度/具磁抗擾性 eMRAM工業/物聯網大顯身手

例如格羅方德先前已由晶圓級測試展示0Mb 22nm FD-SOI eMRAM巨集功能,突顯出sub-ppm BER、數據保留以及從1Mb收集的早期可靠性結果。但是為了保證eMRAM產品的可製造性,最重要的是驗證具有高良率的封裝水準產品的功能性與可靠性。本研究使用先進的磁性穿遂接面(MTJ)堆疊、整合和蝕刻製程,藉由在寬廣的工作溫度範圍(-40至125℃)和ECC-off模式下的封裝水準所取得的產品功能性和可靠性,證明22nm FD-SOI eMRAM的可製造性。 格羅方德的eMRAM產品能夠通過標準的可靠性測試,例如LTOL(168小時),HTOL(500小時),1M的耐久週期和5x回流焊接測試,故障率小於1ppm。此外40Mb eMRAM巨集能夠滿足備用和主動模式下的磁抗擾性要求。 eMRAM技術實現高良率 40Mb 22nm FD-SOI eMRAM巨集,其中顯示MTJ陣列的橫截面TEM(圖1)。該晶片配備內部偏壓、時序控制系統和ECC。內部電壓以tick為單位,由登入設定進行管控。MTJ堆疊、整合和蝕刻製程已進行優化,以符合蝕刻製程和HPD2後續退火製程,但仍符合晶片級的所有MTJ性能表現。 圖1 (a)40Mb 22nm FD-SOI eMRAM巨集,(b) MTJ陣列的橫截面TEM 藉由達成高穿隧磁阻效應(TMR),其中Rp為並聯(P)或是狀態為0電阻,而Rap為反並聯(AP)狀態為1電阻和減少MTJ電阻分布,進一步改良MTJ堆疊和蝕刻製程,爭取20%的讀取裕量,以確保在125℃量產時能保持穩定的良率。圖2(a)和(b)分別顯示,拜先進的MTJ堆疊和蝕刻製程所賜,TMR和電阻分布的改進,達成TMR/的(Rp)~24(一般SA需求>20),以確保在125℃的情況下能獲得高良率。 圖2 為了獲得最佳MTJ性能,隨著時間進展的製程改善趨勢:(a)適用於不同製程的TMR(2)Rp sigma。TMR和Rp sigma都獲得顯著改善,以在125℃時獲得足夠的讀取裕量。TMR/σ(Rp)∼24at125℃(SA極限∼20) 藉由提升自旋轉移矩效率,符合5x回流焊接後,再提高寫入裕量。實際的1Mb位單元MTJ電阻分布,描繪了σ(Rp)~28的較寬分隔(圖3)。良率隨時間推移出現諸多指標性的變化,最終製程實現了穩定且高良率(圖4)。而5x回流後不同MTJ和蝕刻製程的BER趨勢(圖5)。透過優化的製程,整個晶圓獲得穩定的回流性能(中位數BER<1E-7)。 圖3 實際1Mb單元陣列的Rp和Rap狀態的位單元電阻分布 圖4 40Mb eMRAM t0 BER(<6E-6)隨時間進展的良率改善趨勢 圖5 不同MTJ製程5x回流後BER改善趨勢,顯示了對於10ppm BER標準,整個晶圓達到100%之5x回流性能 不同MTJ堆疊的標準化開關電壓(Vc)與矯頑磁場(Hc)之間的關係(圖6),所有這些堆疊都通過5x回流焊接,良率為100% (BER<1ppm)。陰影區域中的數據點顯示出最佳的寫入裕量,並且選擇了產品認證堆疊來獲得最佳的耐久裕量,同時滿足5x回流焊接的要求。 圖6 (a)左圖為針對不同堆疊拆分的歸一化MTJ Vc與Hc之對比。(b)右圖為MTTF與電壓之間的關係,顯示不同製程拆分的固有TDDB有所改善 為了進一步提高耐久裕量,須調整氧化鎂(MgO)阻障和蝕刻製程。來自位元陣列的TDDB特徵(圖6b)顯示,在工作電壓下以製程3(用於品質鑑定),TDBB的固有改良>2。在晶圓級進行最終鑑定過程中,所測量的MTJ電氣測試(ET)參數的分布(圖7),描述整個晶圓的常態分布。此後,出現了從大量封裝零件中收集到的40Mb eMRAM產品性能表現資料。選擇工作電壓(Vop)偏置條件來過度驅動晶片,以包含晶片到晶片和晶圓到晶圓t0...
0

克服SMT黏著問題 先進封裝晶片翹曲挑戰有解

先進封裝最大挑戰來自於異質整合晶片內含多種材質,堆疊複雜容易導致翹曲(Warpage)。此外隨著線寬/線距的縮小,翹曲的程度易導致表面黏著技術(SMT)過程異常,甚至影響後續板階可靠度(Board Level Reliability)結果(圖1)。除了晶片元件本身會發生翹曲外,晶片透過表面黏著技術結合到電路板時,因晶片與電路板CTE不同,翹曲的狀況就會加劇。而當翹曲超過一定的幅度,就會造成SMT的焊接品質不良,也影響後續的可靠度測試結果。如何妥善安排這些溫度特性不同的材料依序堆疊,在加熱與散熱時不會互相影響,是相當嚴苛的技術挑戰。 圖1 先進製程晶片元件或多或少都會有翹曲現象,若變形量符合IPC規範控制在一定程度內,都不會影響後續元件上板品質(來源:Akrometrix) 由於IC黏著在模擬PCB上的品質好壞,將直接影響到產品壽命判斷精準度,因此表面黏著製程在其中扮演重要角色。而品質好壞的關鍵因素包括錫膏特性、印刷條件設定(如脫模間距、脫模時間、印刷速度)、置件精準度、鋼板選擇。 以宜特科技可靠度驗證實驗室為例,近年來接到非常多客戶在試驗設計(Design of Experiment, DOE)等研發階段有SMT需求,希望可以在產品量產前,進行一些材料選擇、製程參數調整等少量多樣的需求。然而半導體產業工程師一定遇過自家SMT產線量產產能都已被預約額滿,根本無法支援DOE試驗設計等研發階段少量多樣的研發品。而IC設計工程師也遇過大型封裝廠無法進行研發品少量多樣協助的狀況。因此該可靠度驗證實驗室便提供少量多樣SMT服務,除了可以量身訂作測試樣品進行品質與可靠度驗證外,同時協助執行各式工程DOE及尋找最佳組合參數,協助克服在研發階段所遇到的SMT黏著問題。以下為實驗室常接到的SMT案例。 基板手動除球暨兩類植球應用 錫球成分是決定產品品質好壞的重要因素之一,若等到產品量產才發現錫球有問題,可能為時已晚。因此可靠度驗證實驗室遇到許多客戶在產品設計階段初期,嘗試不同錫球成分與封裝的匹配來選擇最佳的錫球材料,植球主要分為兩種應用。 1.錫球焊錫可靠度驗證 使用特殊設計的治工具,將所需驗證的錫球植在基板(Substrate)上。 2.錫球支撐性驗證 因零件尺寸隨著封裝技術日益變大,大尺寸零件容易因翹曲及零件本體重量造成焊接異常如短路。而實驗室的技術可將銅核球結構的錫球植上基板以增加支撐性,避免焊接短路問題發生。錫球種類包括各類錫銀銅合金錫球、不同核心錫球(如銅核球)等,根據錫球植上基板的DOE結果,導入合適錫球,將可提高產品驗證成功率。 除球作業上,因應封裝樣式的多樣性,除了植錫球外,實驗室也遇過需進行除球作業的案例,例如樣品晶背(Backside)有矽(Silicon)時,就須要進行樣品前處理,將錫球去除,以利後續的翹曲量測模擬(Shadow Moiré)能夠順利執行(圖2)。 圖2 除錫球製程 量測篩選先行克服翹曲問題 5~10年前,翹曲幅度只要控制在6~8mil以內,都不至於影響後續SMT等製程(圖3)。然而近年來,異質整合材料堆疊複雜,容易導致翹曲失控,各項先進製程的材料種類複雜且反覆堆疊,受到溫度影響後的變形量已比5~10年前的樣品來得嚴重。該可靠度實驗室發現,隨著未來接腳數(Pin Count)越來越多,晶片上板時,為使錫膏與錫球可以接合順利所使用的治具鋼板(Stencil),厚度就會越來越薄,若繼續維持在6~8mil的翹曲幅度,便難以像早期維持SMT製程品質(圖4)。 圖3 傳統PCB,鋼板因接腳數較少,錫球用的不多,相對鋼板不需要太薄 圖4 隨著先進製程的元件接腳數變多,錫球需要較多,鋼板就需要較薄 許多提出IC設計、晶圓代工及封裝測試廠需求的客戶,希望可以先模擬確認翹曲數據,調整錫膏印刷鋼板設計及回流焊溫度,藉此減少因翹曲造成空焊及短路問題的機率。依據此方式,宜特已為多家廠商克服PCB或IC翹曲的焊接問題(圖5)。量測分析的速度非常快,約半小時就可得知元件在不同溫度的變形量,也能模擬溫度循環的環境,協助客戶與可靠度測試進行搭配,觀察產品在哪個溫度達到最大的變形量,並能在測試中思考如何改善與預防。 圖5 SMT上板前可針對元件與PCB進行模擬分析,預先了解翹曲情形(圖片來源:Akrometrix) 回顧翹曲量測的原理,是應用樣品上的參考光柵和它的影子之間的幾何干擾產生摩爾雲紋分布圖,進而計算出各圖元位置中的相對垂直位移,並可應用於模擬SMT回流焊溫度和操作環境條件,同時捕捉一個完整的歷史翹曲位移表現(圖6)。在板階可靠度實驗室觀察中,翹曲的問題勢必會持續存在,人們無法控制材料的特性,但如果透過篩選的方式,找出翹曲方向相同的零件與PCB,筆者認為這不僅不會降低可靠度的壽命,也能協助客戶找到完美翹曲比例,達到1+1>2的價值。 圖6 翹曲量測原理解析(圖片來源:Akrometrix) 上板治具對位製作 針對Package on Package(POP)類型的案例,為上下兩層PCB、中間印錫膏放置電極零件(圖7);然而此方式容易導致電極材料黏著時在上下兩層PCB時,出現不平整或板彎的狀況。因此必須靠治具對位來解決。治具的製作,最難的地方在於必須考量錫膏厚度及開孔來符合焊接條件,且上下兩層必須精準對位。對此,實驗室進行治具的製作、上板以及後續還可串接故障分析實驗室,透過X-ray確認焊接品質。 圖7 可靠度實驗室可以協助客製化治具,進行治具對位 驗證階段同時模擬可靠度 免於費時修改 先進封裝時代來臨,異質整合成為趨勢,因此,進行IC設計時最怕IC晶片本身品質沒問題,但是當IC上板SMT後,卻過不了後續的驗證。而近期最常見的是上板後的翹曲問題,導致後續可靠度發現早夭,嚴重甚至須將產品退回到最初的IC設計階段,於耗費大量時間修正的同時,也可能趕不上預訂的交件日期。因此在驗設計階段,即可針對產品進行可靠度模擬,了解是否需調整製程參數、調整材料,將可事半功倍,有效率地讓產品快速上市。 (本文由宜特科技提供)
0

資料科學/電子工程攜手 AI智慧醫療影像判讀加速診斷

新冠疫情爆發促使智慧醫療成為熱門議題,人們期望新科技有助於強化醫療效率及資源分配。醫療科技現正進入整合大數據與人工智慧的階段,許多醫師或醫療單位意識到醫療智慧化的需求,認為人工智慧(AI)的影像辨識技術可以協助醫療人員做決策,並提升診療的精確性及效率,因而紛紛投入AI相關的研究,或者與研發團隊合作,期望達成診斷的品質/效率/醫療資源分配最佳化的目標。而AI進入醫療體系的同時,智慧醫療的研發則面臨資料搜集、臨床的落地應用與法規限制等重大挑戰。 醫師主動學習AI 望診斷品質提升 處於醫療現場,許多醫師與醫療團隊感受到科技需求,主動進修並學習AI,走向智慧醫療。成大醫學資訊所特聘教授蔣榮先原是主攻人工智慧的資料科學家,因曾在成大醫學院兼課,開啟醫療領域的大門,以資工及AI的角度分析醫療資料。現在蔣榮先的醫學資訊研究室裡有16位醫生前來進修博士,希望透過AI提升醫療診斷品質。 圖1 成大醫學資訊所特聘教授蔣榮先說明,AI可以幫助診斷品質不受人為因素影響,而能隨時保持穩定與精準 目前全國只有五間大學設立醫學資訊研究所,蔣榮先分享,但是台灣很需要資訊及醫療的跨領域人才,藉由AI技術量化醫生經驗,才能形成一套醫療決策系統,幫助診斷品質不受人為因素影響,而能隨時保持穩定與精準,全面提升醫療品質。在醫療影像方面,導入AI可大幅提升影像的判讀速度,協助醫師救治更多病患以外,還能在特定情況下確保傷患在短暫的黃金時間內得到應有的治療。 針對醫師診斷的應用,蔣榮先描述急診室的模擬情境。如果一個可能腦出血的車禍傷患被送進急診室,需要先拍攝X光及斷層掃瞄,由放射科醫師透過影像診斷病患是否出現主動脈剝離的病徵,若是確定主動脈剝離,則需要通知急診醫師,並在幾分鐘的黃金時間內注射藥物使動脈收縮,以免發生中風。腦出血的黃金治療時間非常短暫,但是急診與放射科醫生需要同時診斷多位病患,若是未能即時發現車禍傷患需要注射藥物,則會造成嚴重的治療延誤。因此醫院導入AI的影像辨識程式,當傷患進入急診室並拍攝X光及斷層掃瞄後,AI可以1秒辨識主動脈狀況,若有剝離的危險可立即傳送預警簡訊給急診醫師,達到黃金時間內注射並治療的成效。 導入AI需醫療專業/資料科學/電子工程合作 面對智慧醫療的需求,科技大廠與新創團隊都針對醫療提出科技解決方案,其中國際晶片廠商NVIDIA回應醫療科技開發人員的需求開發Clara平台,在確保個資安全的前提下,向醫療單位搜集醫療影像資料,作為訓練AI的素材,同時善用其GPU快速運算的優勢,提供醫師標註影像的工具。NVIDIA亞太區健康照護解決方案架構總監黃宗祺用三角型形容AI醫療領域的三個重要角色。專業的醫療數據與資料來自醫療機構;資料科學家則熟知各種分析工具並不斷開發適用不同場景的演算法;電子工程廠商則負責提供最基礎的平台與演算法架構。黃宗祺認為,理想上三個領域的發展需要呈現均衡的正三角形,但台灣目前沒有機構的發展三者兼顧,因此跨領域合作便是發展智慧醫療的重要課題。 圖2 NVIDIA亞太區健康照護解決方案架構總監黃宗祺認為,跨領域合作便是發展智慧醫療的重要課題 NVIDIA作為三角型中的資訊平台/工具供應商,便透過醫療平台加速資料科學家的演算法開發,並協助醫師更有效率地標註醫療影像,同時在確保資安的前提下,搜集散落不同醫療機構的資料。目前台北榮總、中國醫學大學附設醫院等大型醫院已使用NVIDIA開發的工具,中醫大附設醫院也透過平台將智慧醫療的骨齡判讀服務分享給北港醫院使用。 新創/醫院合作推解方 新創團隊長佳智能與沐恩生醫團隊則都與大學的醫學研究單位合作,創業研發智慧醫療服務。長佳智能與中醫大產學合作,以全方位的醫療解決方案為核心進行多產品的研發。長佳智能研發長王帝皓分析,AI在醫療領域有三個發展方向,一是影像辨識,只要眼睛可見的診斷途徑都有AI發揮的空間。二為文字產出的醫院資料,如病歷、檢驗報告,可以透過AI協助整理與記錄,三則是基因相關的研發與檢測。三項之中以影像辨識技術最成熟,長佳智能的骨齡輔助判定系統便是應用AI快速判讀兒童的骨骼X光片,進行身高預測。 圖3 沐恩生醫技術長王淳恆表示,公司的醫師輔助平台將朝「資料不多也能做得好」的方向研發 沐恩生醫則與陽明大學臨床醫學所合作,分析醫生在導入AI過程中的幾項臨床痛點,並透過建置自動化訓練AI的工具平台,協助醫生快速開發客製化的AI模型。沐恩生醫技術長王淳恆在AI產業已有15年以上的經驗,他觀察到醫療導入AI時,常見三項痛點: 1.標記認定落差:根據不同醫生的經驗與診斷方式,使用臨床資料的目的和標註不同,不同醫生之間難有共識 2.資料受個資保護:醫院內的資料受到個資法規保護,不能帶出醫院進行AI模型訓練 3.模型不具通用性:不同機器、顯影劑、醫院等條件下,都會造成模型準確度下降 為符合醫療場域的特性,沐恩生醫開發AI輔助軟體MAIA(Medical AI Assistant),醫生只需要具備基礎AI知識,即可透過在軟體中上傳影像並標記,訓練出所需的AI模型,並運用在醫療工作中。作為醫師的個人化工具,單一醫生所能取得的資料不多,因此MAIA的研發朝著「資料不多也能做得好」的方向進行,目前只要幾千張的照片就能做出高精準度的模型,下一代的軟體預計只需要幾十張的照片即可訓練AI。 AI進入醫療領域的發揮,除了協助醫師診斷本科的病患,還能成為不同科別之間的互補角色。王帝皓在醫院是放射腫瘤科醫師,他說明臨床試驗的實際案例,當AI模型與本科醫生比賽診斷資料的準確度時,本科專業的醫生的精準度較高,但是當非本科專業的醫生與AI模型相比,AI模型的表現更出色。因此例如內科或急診醫師遇到病患出現心臟方面的問題,心臟診斷的AI模型就能協助基本的心電圖判定等工作。 圖4 長佳智能研發長王帝皓分析,AI在醫療領域的三個發展方向分別為影像/文字/基因 台灣具醫療/製造業優勢 綜觀AI在智慧醫療領域的發展歷程,王帝皓表示,影像是AI領域發展得最早也最成熟的技術,因此現在許多的智慧醫療產品/服務皆從影像辨識出發,進一步走向其他方面的醫療應用。聚焦台灣智慧醫療發展的優勢與挑戰,黃宗祺認為,在優勢方面,台灣雖然人口基數較小,醫療資料搜集的總量雖不如人口大國,但是醫療人員專業度在全球名列前茅,因此能夠擁有高品質的資料標籤,有利於AI模型訓練。另一方面,軟、硬體技術也是台灣在智慧醫療領域的優勢之一,然而好的產品仍需健全商業模式的支持,台灣市場小且缺乏共享服務的相關經驗,若能在智慧醫療方面與東南亞或鄰近國家合作,將開拓更多的可能性。 此外,觀察影響智慧醫療研發的外部因素,王帝皓提到台灣法規對於AI與智慧醫療的限制。AI醫療的技術需要法規迅速更新才能擁有發展彈性,但是目前AI模型經過訓練可持續優化,無法解釋AI的判斷邏輯或演化過程,未知的演算過程如同無法解釋的黑盒子,造成監管單位的疑慮,加上國際對AI醫療相關的認定尚未統一,因此若台灣的智慧醫療團隊想出海,便必須逐一通過各國規範。所幸具代表的醫療認證FDA/TFDA已逐步受理AI醫療產品的申請,盼台灣政府與業界持續溝通,尋找創新與嚴謹之間的平衡,以法規支持AI醫療發展。
0

滿足新世代記憶體需求 三星擴建NAND Flash新廠

三星(Samsung)日前規畫在韓國平澤新建工廠,提升NAND快閃記憶體產能,以滿足市場快速成長的NAND快閃記憶體需求。建廠的工程從2020年五月開始,將為三星2021年量產V-NAND的目標鋪路。 圖 三星日前規畫在韓國平澤新建工廠。來源:三星 三星18年來累積豐富的NAND快閃記憶體技術,而最近一項創新即是去年七月推出第六代的V-NAND 。為了2021年量產V-NAND 的計畫,三星在韓國平澤建造新工廠,專門生產V-NAND。 隨著數位應用普及,三星透過持續投資抓緊商機,其NAND快閃記憶體生產據點從韓國華城、平澤擴張到中國西安,平澤的廠區以新一代的記憶體技術為主軸,設有兩條大規模產線。在人工智慧(AI)、物聯網(IoT)及5G共同開啟工業4.0的趨勢下,新增的產能將會在滿足NAND快閃記憶體的中長期需求方面扮演重要角色。
0

製程升級/專用化/改架構 AI訓練/推論晶片算力攀升

人工智慧(AI)在經過幾年熱潮後逐步落地,過去強調AI準確性的做法,轉變為追求效率,而「算力」似乎成為AI晶片效能最容易理解的指標,TOPS(Tera Operations Per Second)或TOPS/w慢慢成為產業共識,儘管構成算力的條件很多,AI執行效能也非僅從算力就能完全判定。進入所謂AI 3.0的時代,資料運算複雜性持續提升,但希望在有限的資源下達成最佳化管理的目標,算力就是系統效能最初步/簡易的判別指標。 另外,AI針對不同場景與任務,可以分為雲端(Cloud)與邊緣(Edge)、訓練(Training)與推論(Inference),為了提升效能表現,這四類工作走向專用與分流,處理雲端訓練的晶片依然強調運算能力,希望能以資料處理量為重點,然而在另一端的邊緣推論則可犧牲部分精度,以求在最低的功耗下獲得可接受的結果,在強調運算與講求耗電的兩種需求就像是光譜的兩端,加上雲端推論與邊緣訓練,為AI晶片畫出四個明確的專用分流路線。 AI晶片分流專用成趨勢 1TOPS代表處理器每秒鐘可進行一萬億次(1012)運算。每秒浮點運算次數(Floating-point Operations Per Second, FLOPS)是每秒所執行的浮點運算次數,代表AI網路資料處理能力。整數運算則是使用在推論上,8位元整數(INT8)逐漸成為邊緣推論的主流,工研院產科國際所產業分析師范哲豪(圖1)認為,準確度更高的INT16與INT32,只出現在某些特殊應用,部分單純的應用更僅要求四位元或二位元精度。 圖1  工研院產科國際所產業分析師范哲豪 根據2018年中國清華大學的「2018人工智慧晶片技術白皮書」,將AI晶片分為三類,第一類是經過軟硬體優化可高效支援AI應用的通用晶片,如GPU、FPGA;第二類是專門為特定的AI產品或應用而設計的ASIC晶片,主要側重加速機器學習,尤其是神經網路、深度學習,目前智慧物聯網AIoT的終端應用出現越來越多這類晶片;第三類受生物腦啟發設計的神經形態運算晶片,這類晶片不採用經典的馮紐曼架構(Von Neumann Architecture),模擬人類神經元的運算模式,可以大幅提升算力。 大致說來,第一類通用型AI晶片是以雲端訓練為主,代表性廠商就是NVIDIA、Intel、Xilinx、Qualcomm這類大廠。第二類專用型的晶片以邊緣推論為主,廠商則是百花齊放,老將與新星並陳,許多原來發展ASIC的廠商與乘著AI浪潮興起的「獨角獸」都發展這類晶片。范哲豪提到,第三類神經網路晶片則是未來趨勢,像IBM或美國國防高等研究計畫署(DARPA),還有一些學校、知名技術實驗室已積極研發相關技術。 科技產業投入AI晶片前仆後繼 AI晶片是2019年半導體的投資熱點,工研院資通所嵌入式系統與晶片技術組長盧俊銘(圖2)指出,雲端以訓練為主,邊緣推理應用廣泛,因此出現雲端有訓練,邊緣有推理的說法,許多新創業者嶄露頭角;而處理器龍頭Intel繼2016年4.08億美元併購Nervana之後,2019年底再度以20億美元併購以色列AI晶片廠商Habana,同時擁有CPU、GPU、FPGA、AI專用推論與訓練晶片,具備最完整的AI產品線,展現進軍此領域強大的決心。 圖2  工研院資通所嵌入式系統與晶片技術組長盧俊銘 范哲豪強調,AI演算法、運算力、資料是AI三大要素,所以Google、Amazon、Microsoft、Facebook、阿里巴巴、百度等網路服務大廠也積極投入開發資料中心伺服器專屬的AI晶片或邊緣處理器。另外,恩智浦半導體大中華區業務行銷資深經理黃健洲(圖3)說,AI雲端晶片特點在於運算和圖形處理能力,並提供安全的客戶解決方案、應用和設備管理環境;邊緣端的優點則是保障隱私、改善用戶體驗、高可靠性的應用需求。 圖3  恩智浦半導體大中華區業務行銷資深經理黃健洲 而訓練則是透過量化等為更精確的訓練模型生成提供動力,訓練模型經過非常縝密的計算而且時間密集。黃健洲認為,需要更多資料遷移和AI引擎被創造出來為RTOS或低功耗電池平台提供輕量與靈活的訓練模型,以導入邊緣運算。推論(如Arm推出的Arm NN、Arm CMSIS-NN、OpenCV等)的趨勢則以提高卷積、匯集、動作等功能。 AI新架構成長期發展重點 為了提高AI晶片效能,算力成為關鍵指標之一,范哲豪解釋,傳統的CPU採用序列式運算,AI處理器則著重平行式運算,AI的運算與資料關係密切,資料介面頻寬成為運算的瓶頸之一,於是近來有更多解決AI運算時資料存取瓶頸的技術被提出,包括升級記憶體頻寬、讓處理器與記憶體靠的更近的近記憶體運算(Near Memory Computing)、運算單元與記憶體整合的記憶體內運算(In Memory Computing)等。 多年來資訊運算與處理都是依循傳統的馮紐曼架構,運算與儲存單元分開,范哲豪進一步說明,無論是CPU、DSP或GPU都是單獨處理運算,需要資料再從記憶單元呼叫,而在AI發展的過程中,運算單元不斷提升處理能力,資料匯流排頻寬沒有隨之擴充或追不上運算提升的程度,AI運算需要在運算同時取用資料,為了使AI運算最佳化,重新發展晶片的架構或材料,讓運算與記憶體的取用更即時,成為技術研發的方向。 目前常見的作法是Near Memory Computing,像NVIDIA的NVLink高速GPU互連技術,可以提升GPU的互聯頻寬與記憶體的取用速度,提供50~200GB/s的頻寬。或者是減低記憶體與處理器連線距離的設計如晶圓堆疊(Wafer on Wafer,...
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -