Negli ultimi anni, i ricercatori hanno proposto un'ampia varietà di implementazioni hardware per reti neurali artificiali feed-forward. Queste implementazioni includono tre componenti chiave:un motore di prodotti standard in grado di calcolare la convoluzione e le operazioni di livello completamente connesse, elementi di memoria per memorizzare risultati intermedi e intra-strato, e altri componenti in grado di calcolare funzioni di attivazione non lineari.
motori a prodotto scalare, che sono essenzialmente acceleratori ad alta efficienza, sono stati finora implementati con successo nell'hardware in molti modi diversi. In uno studio pubblicato lo scorso anno, i ricercatori dell'Università di Notre Dame in Indiana hanno utilizzato circuiti di prodotti scalari per progettare un acceleratore basato su reti neurali cellulari (CeNN) per reti neurali convoluzionali (CNN).
La stessa squadra, in collaborazione con altri ricercatori dell'Università del Minnesota, ha ora sviluppato una cella CeNN basata su spintronica (cioè, spin electronic) elementi ad alta efficienza energetica. Questa cella, presentato in un articolo pre-pubblicato su arXiv, può essere utilizzato come unità di calcolo neurale.
Le cellule proposte dai ricercatori, chiamati neuroni magnetoelettrici di Rashba-Edelstein inversi (IRMEN), assomigliano alle celle standard delle reti neurali cellulari in quanto sono basate su un condensatore, ma nelle cellule IRMEN, il condensatore rappresenta un meccanismo di ingresso piuttosto che un vero stato. Per garantire che le cellule CeNN siano in grado di sostenere le complesse operazioni tipicamente eseguite dalle CNN, i ricercatori hanno anche proposto l'uso di una rete neurale a doppio circuito.
Il team ha effettuato una serie di simulazioni utilizzando HSPICE e Matlab per determinare se le loro celle di memoria spintroniche potrebbero migliorare le prestazioni, velocità ed efficienza energetica di una rete neurale in un compito di classificazione delle immagini. In questi test, Le cellule IRMEN hanno superato le implementazioni puramente basate sulla carica della stessa rete neurale, consumando ≈ 100 pJ in totale per immagine elaborata.
"Le prestazioni di queste cellule sono simulate in una CNN accelerata dal CeNN che esegue la classificazione delle immagini, " hanno scritto i ricercatori nel loro articolo. "Le celle spintroniche riducono significativamente l'energia e il consumo di tempo rispetto alle loro controparti basate sulla carica, richiedendo solo ≈ 100 pJ e ≈ 42 ns per calcolare tutto tranne lo strato CNN finale completamente connesso, mantenendo un'elevata precisione."
Essenzialmente, rispetto agli approcci precedentemente proposti, Le celle IRMEN possono far risparmiare una notevole quantità di energia e tempo. Ad esempio, una versione puramente basata sulla carica dello stesso CeNN utilizzato dai ricercatori richiede oltre 12 nJ per calcolare tutta la convoluzione, fasi di messa in comune e attivazione, mentre l'IRMEN CeNN ha bisogno di meno di 0,14.
"Con la crescente importanza del calcolo neuromorfico e del calcolo oltre il CMOS, la ricerca di nuovi dispositivi per ricoprire questi ruoli è fondamentale, " hanno concluso i ricercatori nel loro articolo. "Abbiamo proposto un nuovo elemento di memoria analogica magnoelettrica con una funzione di trasferimento incorporata che gli consente anche di agire come la cella in un CeNN".
I risultati raccolti da questo team di ricercatori suggeriscono che l'applicazione della spintronica nel calcolo neuromorfico potrebbe avere notevoli vantaggi. Nel futuro, le celle di memoria IRMEN proposte nel loro articolo potrebbero aiutare a migliorare le prestazioni, velocità ed efficienza energetica delle reti neurali convoluzionali in una varietà di compiti di classificazione.
© 2019 Scienza X Rete
