Chip jaringan saraf spiking menggabungkan latensi rendah dan konsumsi energi dengan akurasi inferensi tinggi
Machine

Chip jaringan saraf spiking menggabungkan latensi rendah dan konsumsi energi dengan akurasi inferensi tinggi


SNN berbasis neuron adaptif Imec (‘Adaptive SRNN’) dievaluasi terhadap enam jaringan saraf lainnya—menggunakan delapan kumpulan data berbeda termasuk radar Google (SoLi) dan kumpulan data ucapan Google. Kredit: IMEC

Pada April 2020, imec memperkenalkan chip pertama di dunia yang memproses sinyal radar menggunakan jaringan saraf berulang (SNN) spiking. Kasus penggunaan andalannya? Penciptaan sistem persepsi multi-sensor yang cerdas dan berdaya rendah untuk drone yang mengidentifikasi rintangan dalam hitungan milidetik.

Berlawanan dengan jaringan saraf tiruan yang merupakan bahan utama sistem persepsi robotika saat ini, SNN meniru cara kelompok neuron biologis beroperasi—menembakkan pulsa listrik secara jarang dari waktu ke waktu, dan, dalam kasus neuron sensorik biologis, hanya ketika input sensorik berubah. . Ini adalah pendekatan yang datang dengan manfaat penting: pada saat pengumuman, chip SNN imec menunjukkan konsumsi daya hingga seratus kali lebih sedikit daripada implementasi tradisional sambil menampilkan pengurangan latensi sepuluh kali lipat—memungkinkan pengambilan keputusan hampir seketika.

Dalam artikel berikut, Ilja Ocket — manajer program neuromorphic sensing at imec — memberikan lebih banyak wawasan tentang beberapa kemajuan imec baru-baru ini dalam domain ini.

Mengoptimalkan dan meningkatkan chip SNN asli

Pada tahun lalu, imec telah mengoptimalkan dan meningkatkan chip SNN aslinya—detailnya baru-baru ini dipublikasikan di Frontiers dalam Neuroscience—untuk menjadi tuan rumah berbagai kasus penggunaan (IoT dan robotika otonom). Chip ini dibangun di atas arsitektur digital yang sepenuhnya berbasis peristiwa, dan diimplementasikan dalam teknologi CMOS 40nm berbiaya rendah. Ini mendukung pemrosesan yang digerakkan oleh peristiwa dan bergantung pada osilator on-demand lokal dan sel penundaan baru untuk menghindari penggunaan jam global. Selain itu, ia tidak mengeksploitasi blok memori yang terpisah; sebaliknya, memori dan komputasi dilokalkan bersama di area IC untuk menghindari akses data dan overhead energi.

SNN Imec berada di antara yang berkinerja terbaik dalam hal akurasi inferensi

Chip jaringan saraf spiking menggabungkan latensi rendah dan konsumsi energi dengan akurasi inferensi tinggi

Pendekatan spiking ujung ke ujung Imec di tempat kerja. Deteksi fitur lokal membentuk lapisan pertama untuk membangun semantik yang lebih kompleks. Kredit: IMEC

Sementara itu, penelitian dengan lembaga penelitian nasional Belanda untuk matematika dan ilmu komputer (CWI), menegaskan bahwa neuron spiking dengan ambang adaptif dapat dilatih untuk mencapai akurasi inferensi terbaik. Sebuah studi komprehensif yang dilakukan oleh imec dan CWI bertujuan untuk membandingkan SNN menggunakan neuron adaptif terhadap enam jaringan saraf lainnya. Untuk melakukannya, delapan kumpulan data berbeda digunakan—termasuk radar Google (SoLi) dan kumpulan data ucapan Google. Studi tersebut dengan jelas menunjukkan bahwa SNN yang menggunakan neuron dengan ambang adaptif dapat mencapai konsumsi energi yang rendah, tetapi tidak dengan mengorbankan akurasi inferensi yang menurun. Sebaliknya: untuk setiap kumpulan data utama yang digunakan dalam penelitian ini, SNN saat ini berada di antara yang berkinerja terbaik dalam hal akurasi.

“Teknologi SNN akan menemukan jalannya dalam berbagai kasus penggunaan: dari perangkat Internet of Things (IoT) yang cerdas dan belajar mandiri—seperti perangkat yang dapat dikenakan dan aplikasi antarmuka otak-komputer—hingga drone dan robot otonom. Namun masing-masing dari itu kasus penggunaan dilengkapi dengan serangkaian persyaratannya sendiri, “kata Ilja Ocket. “Meskipun jaringan saraf spiking untuk aplikasi IoT harus unggul dalam beroperasi dengan anggaran daya yang sangat kecil, drone otonom menuntut SNN latensi rendah yang memungkinkan mereka menghindari hambatan dengan cepat dan efektif.”

“Mengatasi persyaratan tersebut menggunakan arsitektur SNN satu ukuran untuk semua sangat menantang. Keseimbangan yang rumit perlu dicapai antara konsumsi energi, latensi, akurasi, biaya (area chip) dan skalabilitas. Misalnya, SNN dengan nilai terendah kemungkinan konsumsi energi dan latensi biasanya menghasilkan area chip yang meningkat — dan sebaliknya. Menemukan keseimbangan itu adalah salah satu area fokus SNN saat ini. ”

Ke depan: spiking sepanjang jalan

Drone sedang digunakan dalam peningkatan jumlah domain aplikasi. Namun, untuk meningkatkan tingkat otonomi mereka dan membuatnya beroperasi di lingkungan yang lebih menantang (seperti kondisi cuaca buruk), kemampuan penginderaan mereka membutuhkan dorongan lain. Menurut Ilja Ocket, pendekatan spiking ujung ke ujung — berdasarkan radar neuromorfik yang menyatu dan input kamera — mungkin menawarkan jalan keluar.

Ilja Ocket mengatakan, “Ini jelas menghasilkan sistem latensi yang sangat hemat energi dan super rendah. Namun, hari ini, untuk menghubungkan kamera semacam itu ke AI yang mendasarinya, seseorang masih perlu menerjemahkan umpannya ke dalam bingkai—yang secara signifikan membatasi efisiensi keuntungan. Itulah sebabnya kami menyelidiki bagaimana konsep spiking dapat diterapkan secara menyeluruh: dari kamera dan sensor hingga mesin AI. Kami sebenarnya yang pertama melakukannya, dengan hasil yang sangat menjanjikan sejauh ini. Untuk itu akhirnya, kami masih mencari perusahaan dari seluruh industri drone—seperti pembuat drone OEM—untuk bergabung dengan program kami dan bereksperimen dengan teknologi yang menarik ini.”


Brain-on-a-chip akan membutuhkan sedikit pelatihan


Informasi lebih lanjut:
Jan Stuijt et al, Brain: Arsitektur yang Didorong oleh Peristiwa dan Sepenuhnya Dapat Disintesis untuk Spiking Neural Networks, Frontiers dalam Neuroscience (2021). DOI: 10.3389 / fnins.2021.664208

Kutipan: Chip jaringan saraf spiking menggabungkan latensi rendah dan konsumsi energi dengan akurasi inferensi tinggi (2021, 1 Juni) diambil 1 Juni 2021 dari https://techxplore.com/news/2021-06-spiking-neural-network-chip-combines. html

Dokumen ini tunduk pada hak cipta. Terlepas dari transaksi wajar apa pun untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP