Nowy artykuł techniczny zatytułowany „Optymalizacja sieci neuronowych opartych na zdarzeniach w cyfrowej architekturze neuromorficznej: kompleksowa eksploracja przestrzeni projektowej” został opublikowany przez imec, TU Delft i University of Twente.
Abstrakcyjny
„Procesory neuromorficzne zapewniają niskie opóźnienia i energooszczędne przetwarzanie dzięki zastosowaniu nowatorskich metod projektowania inspirowanych mózgiem. Jednak obecne rozwiązania neuromorficzne w dalszym ciągu nie mogą konkurować z wydajnością i wydajnością obszarową konwencjonalnych akceleratorów głębokiego uczenia się w praktycznych zastosowaniach. Przetwarzanie przepływu danych sterowane zdarzeniami i przetwarzanie w pamięci bliskiej/w pamięci to dwa dominujące trendy w projektowaniu procesorów neuromorficznych. Jednakże nadal istnieją wyzwania związane z ograniczeniem narzutu przetwarzania sterowanego zdarzeniami i zwiększeniem wydajności mapowania obliczeń w pobliżu/w pamięci, co bezpośrednio wpływa na wydajność i efektywność obszarową. W tej pracy omawiamy te wyzwania i przedstawiamy nasze badania nad optymalizacją wnioskowania o sieci neuronowej opartej na zdarzeniach w SENECA, skalowalnej i elastycznej architekturze neuromorficznej. Aby zaradzić narzutowi przetwarzania sterowanego zdarzeniami, przeprowadzamy kompleksową eksplorację przestrzeni projektowej i proponujemy grupowanie impulsów w celu zmniejszenia całkowitego zużycia energii i opóźnień. Ponadto wprowadzamy sterowany zdarzeniami splot w głąb, aby zwiększyć wydajność obszaru i opóźnienia w splotowych sieciach neuronowych (CNN) na procesorze neuromorficznym. Porównaliśmy nasze zoptymalizowane rozwiązanie pod kątem wykrywania słów kluczowych, łączenia czujników, rozpoznawania cyfr i zadań wykrywania obiektów w wysokiej rozdzielczości. W porównaniu z innymi najnowocześniejszymi, wielkoskalowymi procesorami neuromorficznymi, proponowane przez nas optymalizacje skutkują 6- do 300-krotną poprawą efektywności energetycznej, 3- do 15-krotną poprawą opóźnień i 3- do 100-krotną poprawą w efektywności obszarowej. Nasze optymalizacje dla sieci neuronowych opartych na zdarzeniach można potencjalnie uogólnić na szeroką gamę procesorów neuromorficznych opartych na zdarzeniach”.
Znajdź techniczne papier tutaj. opublikowany w marcu 2024 r.
Xu, Yingfu, Gert-Jan van Schaik, Alexandra Dobrita, Roy Meijer, Cina Arjmand, Kanishkan Vadivel, Manolis Sifalakis, Guangzhi Tang i Amirreza Yousefzadeh. „Optymalizacja sieci neuronowych opartych na zdarzeniach w cyfrowej architekturze neuromorficznej: kompleksowa eksploracja przestrzeni projektowej”. Granice w neurologii 18: 1335422.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://semiengineering.com/optimizing-event-based-neural-network-processing-for-a-neuromorphic-architecture/
