Нейроморфные вычисления

Обзор

Нейроморфные системы представляют информацию через редкие события и распределенное состояние, а не непрерывное отслеживание каждой операции. Аппаратные нейроны интегрируют входящие сигналы и излучают шипы после выполнения порогового или динамического правила. Синаптические веса формируют коммуникацию, позволяя временное зондирование и адаптивный контроль с потенциально низкой задержкой.

Технические основы

Модели спайковых нейронов интегрируют взвешенные события и излучают дискретный всплеск, когда состояние мембраны пересекает пороговое значение. Время само по себе может кодировать информацию через задержку, скорость или синхронность. Аппаратное обеспечение, управляемое событиями активирует только затронутые схемы и уменьшает движение данных. Синаптические перекладины выполняют параллельное взвешенное накопление с использованием цифровых воспоминаний, аналоговой проводимости или новых резистивных устройств. Со-локация и арифметика решают проблему узких мест фон Неймана, хотя периферийные схемы преобразования (конверсии), маршрутизации или обучения по‐прежнему потребляют энергию.

Как это работает

Цифровые, аналоговые или смешанные сигнальные схемы реализуют нейронную динамику в то время как межпозвоночные воспоминания (или локальная SRAM) хранят синаптические параметры вблизи вычислений. Датчики могут выводить события только при изменении яркости, звука или другой величины. Сети обучаются суррогатным градиентам, переоборудованы из обычных моделей или адаптированные под местные правила пластичности. Маршрутизирующие ткани доставляют шипы асинхронно среди ядер.

Методы измерения и исследования

Контрольные показатели измеряют сквозную энергию, задержку и точность потоков событий (таких как динамическое зрение), аудио или тактильное зондирование. Силовые приборы должны включать в себя сенсорные интерфейса и хост-связь. Обучение может использовать обратное распространение через суррогатные производных, локальный всплеск-импульс пластичности или преобразования из выпрямленной нейронными сетями. Аппаратные модели моделирования ограничивают точность веса, несоответствие устройств и перегрузку перед развертыванием. Калибровка и гомеостатические механизмы компенсируют аналоговый дрейф, в то время как инъекция неисправности проверяет устойчивость застрявших синапсах.

Ключевые идеи

• Нейроморфный описывает архитектурное семейство, а не универсальную модель нейронов или гарантию производительности.
• Сравнение энергии требует той же задачи, точности и задержек.
• Отдельные потоки событий предлагают наибольшее преимущество, когда базовый сигнал и рабочая нагрузка также скудны.

Современные исследовательские границы

Граничная область включает в себя непрерывное обучение на чипах, дендритные вычисления и гибридные системы с нейроморфными передними концам со стандартным ускоритель. Мемристивные синапсы обещают плотное аналоговое хранилище, но сталкиваются со выносливостью и изменчивостью. Со-дизайн сенсорных компьютеров может обеспечить больший выигрыш, чем копирование биологических деталей в изоляции. Общие тесты необходимы, чтобы избежать демонстраций настроенных к одному устройству. Открытые вопросы касаются масштабируемой абстракции программного обеспечения, стабильности пластичности онлайн и безопасности событийных систем. Нейроморфные процессоры, вероятно являются специализированными компонентами и поэтому справедливая оценка сравнивает полных гетерогенных систем в реальных рабочих циклах.

Почему это важно

Этот подход может обеспечить постоянное восприятие, робототехнику и интеллект края там где ограничена мощность. Он также предоставляет экспериментальные платформы для вычислительной нейробиологии и онлайн-адаптации.

Пределы и открытыые вопросы

Инструменты программирования и эталонные показатели остаются фрагментированными, аналоговые устройства дрейфуют. Многие основные рабочие нагрузки плотные, снижая пользу и биологическое вдохновение само по себе не обеспечивает правильность. Для развертывания требуются калиброванные датчики, обработка неисправностей и доказательства на уровне задач против эффективных обычных ускорителей.