신경 부분 합과 스파이크 네트워크-on-칩을 갖춘 저전력 재구성형 뉴로모픽 가속기
다음 세대의 장치 내 AI는 에너지 효율적인 심층 신경망이 필요할 것입니다. 뇌에서 착안한 스파이킹 신경망(SNN)은 유력한 후보로 부상하고 있습니다. 곱셈기가 필요하지 않음으로써 에너지를 크게 절약하게 됩니다. 장치 내 응용 프로그램의 경우, 계산뿐만 아니라 통신도 많은 양의 에너지와 시간을 소비합니다. 본 논문에서는 Shenjing이라는 구성 가능한 SNN 아키텍처를 제안하며, 이는 모든 온칩 통신을 소프트웨어에 완전히 노출시켜 저전력으로 높은 정확도의 SNN 모델 맵핑을 가능하게 합니다. 이전의 TrueNorth와 같은 SNN 아키텍처와 달리 Shenjing은 맵핑을 위해 모델 수정과 재학습이 필요하지 않습니다. 우리는 기존 인공 신경망(ANN)인 다중 층 퍼셉트론, 컨볼루션 신경망 및 최신 잔차 신경망까지도 Shenjing에 성공적으로 맵핑할 수 있으며 이로써 ANNs는 SNN의 에너지 효율성을 실현할 수 있음을 보여줍니다. MNIST 추론 문제에서 다중 층 퍼셉트론을 사용하여 10개의 Shenjing 코어를 이용해 정확도 96%를 달성하면서 단 1.26mW만 소비하는 것을 확인했습니다.
paper
AI 요약
