Computação Neuromórfica

Visão geral

Os sistemas neuromórficos representam informação através de eventos esparsos e estado distribuído, em vez do registro contínuo das operações. Os neurônios de hardware integram sinais recebidos e emitem picos após o cumprimento do limite ou da regra dinâmica. Pesos sinápticos moldam a comunicação, possibilitando o sensoriamento temporal e controle adaptativo com potencial baixa latência.

Fundações técnicas

Modelos de neurônios espigantes integram eventos ponderado e emitem um pico discreto quando o estado da membrana cruza uma barreira, então repõem ou se adaptam. O tempo em si pode codificar informações através da latência, taxa ou sincronia. O hardware orientado para eventos ativa apenas circuitos afetados, reduzindo o movimento de dados. As barras dentadas sinápticas realizam acumulação ponderada paralela utilizando memórias digitais, condutância analógica ou dispositivos resistivos emergentes. O estado de co-localização e a aritmética abordam o gargalo von Neumann, embora os circuitos periféricos conversão routing and learning ainda consome energia.

Como funciona

Circuitos digitais, analógicos ou de sinais mistoS implementam dinâmica neuronal enquanto memórias transversais e SRAM locais armazenavam parâmetros sinápticos próximos da computação. Os sensores só podem produzir eventos quando o brilho, som ou outra quantidade mudarem. As redes são treinadas por gradiente de substituição, convertida a partir dos modelos convencionais ou adaptadas com regras locais em matéria da plasticidade. Tecidos de roteamento fornecem espigas assincronicamente entre os núcleo.

Métodos de medição e pesquisa

Os benchmarks medem energia, latência e precisão de ponta a extremidade em fluxos do evento como visão dinâmica ou sensoriamento tátil. A instrumentação de potência deve incluir interfaces com sensores e comunicação do hospedeiro. O treinamento pode usar retropropagação através de derivados substitutos, plasticidade local que marca pico ou conversão a partir das redes neurais corrigida. Modelos de simulação com conhecimento do hardware precisão limitada em peso, incompatibilidade e congestionamento antes da implantação. Os mecanismos de calibração e homeostática compensam a deriva analógica, enquanto os testes por injeção da falha são robustos para sinapse emperrarem as sinapses.

Ideias-chave

• Neuromórfico descreve uma família arquitetônica, não um modelo de neurônio universal ou garantia do desempenho.
• As comparações de energia requerem a mesma tarefa, precisão e latência.
• Os fluxos de eventos esparsos oferecem a maior vantagem quando o sinal e carga básica também são escassos.

Fronteira actual da investigação

A fronteira inclui aprendizagem contínua on-chip, computação dendrítica e sistemas híbridos combinando extremidades neuromórficas frontais com aceleradores convencionais. Sinapses memristivas promete armazenamento analógico denso, mas resistência face . O co-design de sensores pode proporcionar ganhos maiores do que copiar detalhes biológicos isoladamente. São necessários parâmetros de referência comuns para evitar demonstrações sintonizadas com um dispositivo. Questões abertas dizem respeito às abstrações escaláveis de software, estabilidade da plasticidade online e segurança dos sistemas baseados em eventos. Os processadores neuromórficos são componentes especializados, portanto uma avaliação justa compara sistemas heterogêneos completos em ciclos reais de trabalho.

Por que importa

A abordagem pode permitir percepção sempre-sobre, robótica e inteligência de borda onde o poder do tempo da resposta são restringidos. Ele também fornece plataformas experimentais para neurociência computacional e adaptação online.

Limites e questões em aberto

As ferramentas de programação e os benchmarks permanecem fragmentado, dispositivos analógico-drift ou grandes redes enfrentam limites para roteamento. Muitas cargas de trabalho são grandes, reduzindo o benefício e a inspiração biológica por si só não garante correção. A implantação requer sensores calibrados, manipulação de falhas e evidência do nível da tarefa contra aceleradores convencionais eficientes.