Nöromorfik Hesaplama

Genel Bakış

Nöromorfik sistemler, her operasyona sürekli saat geçirmek yerine, seyrek olaylar ve dağıtılmış devlet aracılığıyla bilgi temsil eder. Donanım nöronları gelen sinyalleri entegre eder ve bir eş veya dinamik kuraldan sonra sönürler yayılır. Synaptic ağırlıklar şekli iletişimi, zaman algılanmasına izin verir, uyarlanabilir kontrol ve potansiyel olarak düşük gecikme ve enerji ile çıkarım.

Teknik temeller

Spiking nöron modelleri ağırlıklı olayları entegre eder ve membran durumu bir eşiği geçtiğinde ayrı bir artış yaylar, sonra reset veya adapte olun. Zaman kendisi geçncy, oran veya senkronizasyon yoluyla bilgi kodlayabilir. Event-güdümlü donanım, yalnızca etkilenen devreleri etkinleştirir, veri hareketini azaltır. Synaptic crossbars, dijital anıları, analog yönlendirme veya ortaya dirençli cihazlar kullanarak paralel ağırlıklandırılmış birikimi gerçekleştirir. Co-locating state and arithmetic, von Neumann şişeneck'i ele alıyor, ancak periferik dönüşüm, routing ve öğrenme devreleri hala enerji tüketiyor.

Nasıl çalışır

Dijital, analog veya karışık devreler sinirsel dinamikleri uygularken, çaprazbar anıları veya yerel SRAM mağazası komplikeli parametrelere yakın şekilde bağlanır. Sensörler sadece parlak, ses veya başka bir miktar değişikliği olduğunda olayları ortaya çıkarabilir. Ağlar, ekin gradients tarafından eğitilmiştir, geleneksel modellerden dönüştürülür veya yerel plastik kurallarla adapte edilir. Routing Kumaşlar çekirdekler arasında bir senkronizasyonu sağlar.

Ölçme ve Araştırma Yöntemleri

Benchmarks, dinamik vizyon, ses veya tactile algılama gibi olay akışlarında son derece enerji, geç kalmışlık ve doğruluk ölçülerini ölçmektedir. Güç enstrümanı, sensör arayüzlerini ve host iletişimini içermelidir. Eğitim, eklenmiş sinir ağlarından yeniden tanımlanması veya dönüşüm yoluyla geri dönüşümlü olarak geri dönüşüm kullanabilir. Donanım-aware simülasyon modelleri sınırlı ağırlık hassas, cihaz dağıtımdan önce yanlış ve gestion. Kalibrasyon ve homeostatik mekanizmalar analog sürüklenmeler telafi ederken, hata enjeksiyonu sinapslara dayanıklılığı test eder ve olayları düşürdü.

Anahtar fikirler

• Nöromorphic bir mimari aile açıklar, evrensel bir nöron modeli veya performans garantisi değildir.
• Enerji karşılaştırmaları aynı görev, doğruluk, geçncy ve ölçüm sınırı gerektirir.
• Sparse event flows, altta yatan sinyal ve iş yükü de sparse olduğunda en büyük avantaj sunar.

Mevcut araştırma sınırları

Sınır, sürekli öğrenme, ndritik hesaplama ve hibrid sistemler, sinir morfic cephesini geleneksel hızlandırıcılarla birleştirir. Memristive sinaps yoğun analog depolama vaat ediyor, ancak dayanıklılık, variability ve nonlinear update. Sensör-kompute co-design, izolasyonda biyolojik detay kopyalamaktan daha büyük kazanımlar sağlayabilir. Ortak karşılaştırmalar, gösterilerden tek bir cihaza kadar kaçınmak için gereklidir. Açık sorular ölçeklenebilir yazılım özetlerini, online plastikliğin istikrarı ve etkinlik tabanlı sistemlerin güvenliği ile ilgilidir. Nöromorfik işlemciler muhtemelen özelleşmiş bileşenlerdir, bu yüzden adil değerlendirme gerçek görev döngüleri altında tam heterojen sistemlerle karşılaştırılır.

Neden önemli?

Yaklaşım, her zaman algı, robotik ve kenar istihbaratını güç ve yanıt süresi kısıtlanmış olabilir. Ayrıca bilgisayar nörobilim ve online adaptasyon için deneysel platformlar da sağlar.

Limitler ve açık sorular

Programlama araçları ve karşılaştırmalar parçalanmış, analog cihazlar sürükleniyor ve büyük ağlar çapraz sınırlarla karşı karşıya kalıyor. Birçok ana akım iş yükü yoğun, faydayı azaltmak ve yalnızca biyolojik ilham doğruluğu garanti etmez. İşsizlik, kalibre edilmiş sensörleri, hata işleme ve görev düzeyindeki kanıtları verimli konvansiyonel hızlandırıcılara karşı gerektirir.