Tohoku Üniversitesi ve Aisin, çip üzerinde 32MB MRAM taşıyan, açıldıktan 65,7 milisaniye sonra işletim sistemini başlatan ve dış DRAM/SSD gerektirmeyen bir AI çipi geliştirdi.

Tohoku Üniversitesi ve otomotiv tedarikçisi Aisin, 2 Kasım 2026’da paylaştıkları ortak açıklamaya göre, 16 nm AI sistem çipinin (SoC) açıldıktan 65,7 milisaniye sonra işletim sistemini başlattığını ve AI işleme sistemi için harici DRAM veya SSD gerekmediğini gösterdi.

Çip, işlemciyle aynı die üzerinde 32 MB gömülü STT-MRAM (spin-transfer-torque manyetik rastgele erişimli bellek) taşıyor. İşletim sisteminin önyükleme verileri, AI modelinin ağırlıklarıyla birlikte bu bellekte bulunduğu için güç açıldığında ikisinin de harici depolamadan aktarılması gerekmiyor.

Konvansiyonel bir tasarımla karşılaştırıldığında, açıklamalar önyükleme hızlanmasını 38,59 kez olarak belirtiyor; bu oran özet maddelerde yaklaşık 39 kez olarak yuvarlanıyor. AI işleme süresi 10,16 kez daha kısa, sistem genelinde ise 25,2 kez daha hızlı.

İş, Professor Tetsuo Endoh’un liderliğindeki Tohoku Üniversitesi Yenilikçi Entegre Elektronik Sistemler Merkezi ekibiyle Aisin Corporation’dan bir ekip tarafından yürütüldü. Adı geçen yazarlar Tetsuo Endoh, Takanobu Naruse, Tao Li, Shoji Ikeda, Mitsuo Yasuhira ve Hiroshi Yamada’dır.

65,7 milisaniye nereden geliyor

Kenar (edge) AI donanımı normalde yavaş şekilde önyüklenir. Açıklamalar sorunu doğrudan betimliyor: güç açıldığında işletim sistemi ve AI modeli harici bellekten okunmak zorundadır ve bu yükleme adımı, AI sistemlerinin başlamasının neden zaman ald reasons’ından biri olarak gösteriliyor.

STT-MRAM volatiliten değildir, yani güç kapalıyken içeriğini korur. Tohoku’nun terminoloji notu, belleğin manyetik bir malzemenin manyetizasyon durumuyla bilgi sakladığını, bekleme durumunda sızıntı gücünü düşük tuttuğunu ve okuma/yazmanın hızlı olduğunu söylüyor.

Bunun 32 MB’ini die üzerine yerleştirmek, önyüklemede harici bir SSD veya DRAM’dan büyük miktarda veri aktarma ihtiyacını ortadan kaldırıyor.

Tasarım, yakın bellek hesaplaması olarak tanımlanıyor; açıklamada, belleğin işlemciye veya hızlandırıcıya yakın yerleştirilmesiyle verinin daha kısa mesafe kat edip aktarım için harcanan enerjinin azaltıldığı belirtiliyor. Bu çipte hızlandırıcı, model ağırlıklarını çip üzerindeki STT-MRAM’dan doğrudan okuyor; açıklama, bunun veri aktarımıyla ilişkili hem gecikmeyi hem de enerjiyi azalttığını söylüyor.

Aynı nedenle ikinci sayı da önem taşıyor. Harici bellekten ağırlık aktarımı olmadığı için, açıklama nesne tespiti ve benzeri AI işlemlerinin geleneksel yaklaşıma göre yaklaşık onda biri kadar sürede gerçekleştiğini belirtiyor.

Kare başına 50,7 mJ ile Tiny YOLOv3

Gösteri iş yükü olarak Tiny YOLOv3 kullanıldı; bu, bir resimdeki nesnelerin türünü ve konumunu belirleyen YOLO nesne tespitçinin indirgenmiş bir sürümü. Açıklama, bunun uç ekipmanlar için öngörülen türden AI işlemeyi göstermek amacıyla kullanıldığını söylüyor.

Bu modeli sınırlı çip içi STT-MRAM kapasitesine sığdırmak için iki önlem alındı. Çip, 8/16-bit hibrit çarpım mimarisini kullanıyor ve ekip, açıklamanın söylediği gibi, nesne tespitinin Tiny YOLOv3 ile bu sınırlı çip içi kapasite içinde mümkün kılan ağırlık paylaşımını uyguladı.

Nesne tespitinin tek bir kare için enerji tüketimi 50,7 mJ olarak ölçüldü. Açıklamalar bunu geleneksel değerin onda biri olarak veriyor.

Tohoku Üniversitesi’nin listelediği tam makale başlığı, “A 65.7ms Quick-instant-on and 50.7mJ/frame Tiny YOLOv3-based Object-detection 16nm-AI-SoC with 32MB-embedded-MRAM and Hybrid-multiplication-architecture” şeklindedir.

Bir konferans çipi, bir ürün değil

Açıklamalar, sonuçların Tayvan’ın Hsinchu şehrinde 1-4 Kasım 2026 tarihlerinde düzenlenecek IEEE Asian Solid-State Circuits Konferansı (A-SSCC) 2026’da sunulacağını söylüyor. Tohoku sayfası, çalışmayı bir çip fotoğrafı, temel metriklerin özet tablosu ve bir gösteri sistemiyle illustratingiyor; bu, sevkiyat yapan bir parça yerine konferans çipi sonucunun usual biçimi.

Açıklamalardan hiçbirinde bir ürün, fiyat, müşteri veya üretim takvimi betimlenmiyor.

Belirtilen hedef uç cihazlardır. Her iki duyuru da jeneratif AI ve görüntü tanıma gibi yapay zekâ tekniklerinin arabalar, robotlar, kameralar ve IoT cihazlarına hızla yayıldığını ve artan model boyutlarının, harici belleğe erişim ile harici bellekle veri aktarımının hız ve enerji verimliliğini yavaşlattığını vurguluyor.

Otomotiv sektörüne tedarik sağlayan Aisin, makalenin sanal ortağı konumunda ve hedef cihaz listesi, her iki duyurunun da kullandığı çerçevedir. Başlık numarasının tam olarak neyi kapsadığını netleştirmek gerekiyor: duyurular, 65,7 milisaniyeyi güç kaynağı açılışından işletim sistemi başlatmaya kadar geçen süre olarak tanımlıyor ve başlıklarını bu kadar hızlı biçimde nesne tespit AI modülünü başlatmak şeklinde ifade ediyor. Hiçbir duyuru, çipin açıldıktan sonra ilk tespiti gerçekleştirmesine ne kadar sürdüğünü belirten bir rakam vermiyor.

Her iki kurumun sayfaları da çipi, STT-MRAM içeren 16nm bir AI SoC olarak “世界初” (dünya ilk) ifadesiyle öne çıkarıyor. Duyurulardaki ölçülen rakamlar 65,7 milisaniyelik önyükleme süresi, 38,59 kat önyükleme hızlanması, 10,16 kat AI işleme süresinde azalma, 25,2 kat sistem düzeyindeki azalma ve kare başına 50,7 mJ enerji değeri olup, tümü adlandırılmamış geleneksel bir yaklaşımla karşılaştırılıyor.

Duyurular, temel olarak kullanılan geleneksel sistemi tanımlamıyor ve çipi diğer gömülü MRAM parçalarıyla karşılaştırmıyor. Yaptıkları şey, bu çipteki birleşimi belirtmek: gömülü STT-MRAM’ın 32MB’ını barındıran, içinde hem işletim sistemi görüntüsü hem de bir sinir ağı ağırlıkları depolayan 16nm FinFET AI SoC.

Çalışmaların bir kısmı, Japonya Ulusal Araştırma ve Geliştirme Ajansı NEDO (New Energy and Industrial Technology Development Organization) tarafından verilen bir görevlendirme kapsamında yürütüldü.

Kaynaklar: