Under de senaste åren har forskare har föreslagit en mängd olika hårdvaruimplementeringar för frammatade artificiella neurala nätverk. Dessa implementeringar inkluderar tre nyckelkomponenter:en punktproduktmotor som kan beräkna krökning och fullt anslutna lageroperationer, minneselement för att lagra mellanliggande resultat mellan och mellan lager, och andra komponenter som kan beräkna icke-linjära aktiveringsfunktioner.
Punktproduktmotorer, som i huvudsak är högeffektiva acceleratorer, har hittills framgångsrikt implementerats i hårdvara på många olika sätt. I en studie som publicerades förra året, forskare vid University of Notre Dame i Indiana använde prickproduktkretsar för att designa en cellulär neuralt nätverk (CeNN) -baserad accelerator för konvolutionella neurala nätverk (CNN).
Samma lag, i samarbete med andra forskare vid University of Minnesota, har nu utvecklat en CeNN -cell baserad på spintronic (dvs. snurra elektroniska) element med hög energieffektivitet. Denna cell, presenterad i ett papper som för publicerats på arXiv, kan användas som en neural beräkningsenhet.
De celler som forskarna föreslog, kallade Inverse Rashba-Edelstein Magnetoelektriska neuroner (IRMEN), likna standardceller i cellulära neurala nätverk genom att de är baserade runt en kondensator, men i IRMEN -celler, kondensatorn representerar en ingångsmekanism snarare än ett sant tillstånd. För att säkerställa att CeNN -cellerna kan upprätthålla de komplexa operationer som vanligtvis utförs av CNN, forskarna föreslog också att man skulle använda ett neuralt nätverk med två kretsar.
Teamet genomförde en serie simuleringar med HSPICE och Matlab för att avgöra om deras spintronic minnesceller kan förbättra prestanda, hastighet och energieffektivitet för ett neuralt nätverk i en bildklassificeringsuppgift. I dessa tester, IRMEN-celler överträffade rent laddningsbaserade implementeringar av samma neurala nätverk, förbrukar ≈ 100 pJ totalt per bearbetad bild.
"Dessa cellers prestanda simuleras i en CeNN-accelererad CNN-bildklassificering, "skrev forskarna i sitt papper." De spintronic-cellerna minskar energi- och tidsförbrukningen avsevärt i förhållande till sina laddningsbaserade motsvarigheter, behöver bara ≈ 100 pJ och ≈ 42 ns för att beräkna alla utom det sista fullständigt anslutna CNN-lagret, samtidigt som den håller en hög noggrannhet. "
Väsentligen, jämfört med tidigare föreslagna tillvägagångssätt, IRMEN -celler kan spara mycket energi och tid. Till exempel, en rent laddningsbaserad version av samma CeNN som används av forskarna kräver över 12 nJ för att beräkna all upplösning, poolnings- och aktiveringssteg, medan IRMEN CeNN behöver mindre än 0,14.
"Med den växande betydelsen av neuromorf beräkning och utöver CMOS-beräkning, sökandet efter nya enheter för att fylla dessa roller är avgörande, "avslutade forskarna i sitt papper." Vi har föreslagit ett nytt magnoelektriskt analogt minneselement med en inbyggd överföringsfunktion som också låter den fungera som cellen i ett CeNN. "
Resultaten som samlats av detta forskargrupp tyder på att applicering av spintronik i neurmorfisk datorer kan ha anmärkningsvärda fördelar. I framtiden, IRMEN -minnescellerna som föreslås i deras papper kan bidra till att förbättra prestanda, hastighet och energieffektivitet hos konvolutionella neurala nätverk i en mängd olika klassificeringsuppgifter.
© 2019 Science X Network
