Перегляд останніх досягнень у розробці нейроінтензованих обчислювальних мікросхем

В останні роки багато дослідницьких команд у всьому світі розробляють обчислювальні методи, натхненні людським мозку, такі як алгоритми глибокого навчання. Хоча деякі з цих методів вважаються дуже перспективними для широкого спектру застосувань, звичайне обладнання не завжди підтримує їх обчислювальне навантаження і, таким чином, може обмежувати їх продуктивність.

Можливе рішення для подолання обмежень існуючих апаратних засобів та забезпечення того, щоб обчислювальні методи, орієнтовані на мозок, досягали оптимальних результатів, тягне за собою створення нових електронних компонентів, які краще відображають структуру мозку людини. Клас нейроінспірованих обчислювальних мікросхем спеціально розроблений для додатків штучного інтелекту (AI), що імітують нервові структури в мозку людини та інших тварин.

Дослідники з Університету Цінхуа в Китаї переглянули останні досягнення в галузі розробки обчислювальних мікросхем нейро, щоб зрозуміти прогрес, досягнутий дотепер, та визначити проблеми, які ще треба подолати. Їх оглядовий документ, опублікований в Природа електроніка, також окреслюється низка принципів спільного проектування, які могли б інформувати про розробку нових нейроінспірованих схем, пристроїв та алгоритмів.

"Ідея для нашої роботи виникла з наших попередніх спроб проектування обчислювальних мікросхем нейро", — сказав Huaqiang Wu, один з дослідників, які проводили дослідження, розповів TechXplore. "У своїх минулих дослідженнях ми виявили, що важко оптимізувати продуктивність цих мікросхем на індивідуальному рівні, наприклад, пристрій або рівень мікросхеми, і такий мікросхем потрібно оптимізувати за допомогою стратегій спільного проектування, що охоплюють широке діапазон елементів, від пристроїв до алгоритмів. "

У своєму новому документі Ву та його колеги уважно вивчають останні розробки в дизайні нейроінспірованих обчислювальних мікросхем і розмірковують про деякі уроки, отримані з власних зусиль у цій галузі. Крім того, вони окреслюють набір показників бенчмаркінгу та принципів спільного проектування, які можуть допомогти іншим, хто намагається розробити ці фішки.

"Ми сподіваємось, що наша робота допоможе читачам, які не знають експертів, дізнатися більше про нейронізовані обчислювальні мікросхеми, а також сприятиме більшому розвитку в цій галузі досліджень", — сказав Ву. "Ми в основному вивчали нейроінтензивні обчислювальні мікросхеми з точки зору їх потенціалу для підтримки алгоритмів, шипучих нейронних мереж або штучних (глибоких) нейронних мереж".

Ву та його колеги виділяють чотири показники, на які інженери могли зосередитись, намагаючись оцінити ефективність нейроінфікованих обчислювальних мікросхем: щільність обчислень, енергоефективність, точність обчислень та можливість навчання на мікросхемі.

Переглядаючи минулі дослідження, дослідники зауважили, що ці показники є найважливішими для розробки та оптимізації нейроінспірованих обчислювальних мікросхем, оскільки вони найкраще представляють унікальні особливості мікросхем та їх можливі переваги перед традиційними чіпами. Наприклад, щільність обчислень — метрика, яка відображає ефективність області мікросхеми, в кінцевому підсумку дозволяє інженерам визначити, скільки інформації можуть зберігати їх мікросхеми одразу та чи достатньо їх пам’яті для роботи широкомасштабних нейронних мереж.

Окрім окреслення важливих показників для оцінки мікросхем, натхнених мозком, Ву та його колеги запровадили набір принципів спільного проектування, які можуть послужити орієнтиром для майбутніх досліджень у цій галузі. Ці принципи багато в чому ґрунтуються на їхніх минулих дослідженнях та спостереженнях.

"Ми вважаємо, що запропонований нами інструмент спільного проектування є найважливішою частиною нашого дослідження", — сказав Ву. "У практичному дизайні обчислювальних мікросхем без нейтралізації цього інструменту спільного проектування важко досягти високоефективного чіпа. Наприклад, пристрої енергонезалежної пам'яті (NVM), які можна використовувати як синаптичну пам'ять, зазвичай мають внутрішню неідеальність і ці неідеалістичності знизять продуктивність мікросхеми. Однак зменшення неідеальності на рівні пристрою вимагає великих зусиль, і ми не можемо їх повністю видалити. Таким чином, наш інструмент спільного проектування може допомогти оптимізувати продуктивність мікросхеми не тільки на рівні пристрою, але і на рівні схеми або системи ".

Їх оглядовий документ в кінцевому підсумку може послужити загальною дорожньою картою для інженерів, які намагаються розробити натхненні мозгом чіпи. Тим часом Ву та його колеги планують розробити інші вказівки, які могли б прискорити та полегшити дослідження в області штучного інтелекту (AI) та нейроінспірованої електроніки.

"У майбутньому дослідженні ми могли б розділити проектування на нейронізованих обчислювальних мікросхемах на дві частини", — сказав Ву. "У частині виготовлення пристрою та інтеграції технологій ми оптимізуємо продуктивність пристроїв, виготовимо нові нейроінспіровані пристрої та вивчимо тривимірні нейро-натхненні обчислювальні мікросхеми. З іншого боку, у мікросхемі та системній частині ми будемо розвивати інструмент спільного проектування та проектування обчислювального мікросхеми загального призначення, особливо мікросхема обчислювальної пам'яті на базі NVM ".

Facebook Comments