Arm presenta la CPU Cortex-A320 Armv9 para aplicaciones IoT y Edge AI

El nuevo Cortex-A320 de Arm representa su primera CPU ultra eficiente que utiliza la avanzada arquitectura Armv9 dedicada a las necesidades de las aplicaciones IoT e IA. El procesador logra más de un 50% más de eficiencia en comparación con el Cortex-A520 a través de varias optimizaciones de microarquitectura, junto con una ruta de obtención y decodificación de datos estrecha, cachés L1 con bancos densos y un archivo de registro de enteros de puerto reducido. También ofrece un 30% más de rendimiento escalar que su predecesor, el Cortex-A35, gracias a la eficiencia de los predictores de bifurcación, los pre-fetchers y las mejoras del sistema de memoria.

El Cortex-A320 es una CPU de un solo elemento, en orden, con una búsqueda de instrucciones de 32 bits y un pipeline de 8 etapas. El procesador es escalable y admite configuraciones de uno a cuatro núcleos. Incorpora DSU-120T, una unidad DynamIQ Shared Unit (DSU) racionalizada que permite clusters sólo Cortex-A320. Cortex-A320 admite cachés L1 de hasta 64 KB y L2 de hasta 512 KB, con una interfaz AMBA5 AXI de 256 bits a la memoria externa. La caché L2 y el TLB L2 pueden compartirse entre las CPU Cortex-A320. La unidad de procesamiento vectorial, que implementa las tecnologías NEON y SVE2 SIMD (Single Instruction, Multiple Data), puede ser privada en un complejo de un solo núcleo o compartida entre núcleos en implementaciones de doble o cuádruple núcleo.

El Cortex-A320 se dirige no solo al mercado del IoT, sino también al sector de la IA, y lo consigue integrando las mejoras de la arquitectura Armv9 en el procesamiento vectorial NEON y SVE2. El procesador multiplica por diez el procesamiento ML en comparación con Cortex-A35 y consigue un rendimiento global ML hasta seis veces superior al ampliamente utilizado Cortex-A53. El Cortex-A320 de Arm admite nuevos tipos de datos como BF16 e instrucciones mejoradas de producto de puntos y multiplicación de matrices, lo que lo convierte en la CPU Cortex-A más eficiente para aplicaciones ML.

Fuente: Arm