下一代 ADAS 和自動駕駛 （AD） 系統部署到市場后，將需要準確、高速的識別、判斷和操作。卷積神經網絡 （CNN） 需要大量計算來進行模式識別。隨著安裝的傳感器數量的增加，需要更高的 CNN 性能。然而，隨著功耗與性能成正比增加，需要一個笨重且昂貴的水冷系統。需要同時實現高深度學習性能和低功耗，以實現輕量級且具有成本效益的空氣冷卻系統。從實際的角度來看，實現 60TOPS 的 CNN 性能和 10TOPS/W 的效率是每個 LSI 設備的最佳目標。

具有高性能和高能效的 CNN 加速器

CNN 加速器 （CNNA） 的性能/效率目標是實現 60TOPS 性能和 10TOPS/W 效率。從實現的角度來看，它是用三個相同的加速器而不是一個加速器來實現的。一個CNNA包含13，824個MAC算術單元，工作頻率為800MHz。三個CNNA的理論最大性能為66TOPS。此外，每個 CNNA 通過一個 512 位互連模塊連接 2MB 專用暫存器 （SPM）。這提高了CNNA的執行效率，將CNNA與外部存儲器（DRAM）之間傳輸的數據量減少了約90%，并節省了DRAM接口和互連所消耗的功率。從測試芯片的實測來看，VGG16的性能為32TOPS，效率為6.1TOPS/W，CNNA優化網絡（Network-A）的性能為60.6TOPS，效率為13。

ASIL D 任務的安全機制

下一代 ADAS 和 AD 系統需要實現 ASIL D 的功能安全，這是 ISO 26262 中最嚴格的安全級別。雙核鎖步 （DCLS） 是可以滿足 ASIL D 指標的方法之一?？梢酝ㄟ^在兩個冗余硬件上執行相同的過程并比較它們各自的輸出來檢測。

CNNA 還需要硬件冗余來滿足 ASIL D 指標，但簡單地應用 DCLS 需要大型 MAC 計算單元來實現冗余。這是不實用的，因為面積和功耗顯著增加。為了在不添加冗余硬件的情況下實現 ASIL D 指標，兩個 CNNA（CNNA1 和 CNNA2）由軟件動態配置，以在需要安全的處理過程中執行鎖步操作。

CNNA 用于從相機輸入的圖像識別處理 （ASIL B） 和從每個傳感器輸入的結果 （ASIL D） 對周圍環境進行建模。但大部分執行時間是以前的 ASIL B 圖像識別處理。因此，通過僅在周圍環境建模處理期間將 CNNA1 和 CNNA2 切換為鎖步操作，可以在不顯著影響性能或功率效率的情況下實現 ASIL D 任務。

下面是CNNA使用鎖步DMAC（LDMAC）的鎖步操作。

1） LDMAC 將相同的數據從 DRAM 加載到 SPM1 和 SPM2。

2）CNNA1和CNNA2執行相同的網絡處理。

3） LDMAC 從 SPM1 和 SPM2 讀取執行結果并進行比較。如果它們不匹配，則判斷為錯誤。只有CNNA1的結果存儲在DRAM中。

實現 ASIL D 的另一個重要因素是免于干擾 （FFI）。系統中混合了具有不同 ASIL 的任務。他們不得干擾更高級別的 ASIL 任務。前面說過，CNNA是被不同ASIL級別的任務訪問的，所以每個任務使用的內存空間必須是獨立的。

內存空間隔離機制在CNNA、LDMAC和內存管理單元（MMU）的內存保護表中實現。當前運行任務的上下文索引被賦予來自CNNA和LDMAC的事務輸出。MMU 接收它并在逐個事務的基礎上切換上下文。

審核編輯：郭婷