物理科技生物学-PHYICA

一种增加神经形态系统RCTD-111使用寿命的技术

技术工程 2021-10-24 21:55:34

eSpine: A technique to increase the usable lifetime of neuromorphic systems Credit: Titirsha等近年来,全球工程师一直在努力开发越来越先进和高效的神经形态计算系统,即模拟中枢神经系统神经生物结构的设备。由于它们受生物启发的体系结构,这些系统对于执行机器学习(AI)算法和其他人工智能(AI)工具可能是特别理想的。不幸的是,在这些系统中实现突触状连接的存储单元的写入持久性有限。这基本上意味着,在它们开始表现出“老化”和退化的迹象之前,它们可以可靠地被编程有限的次数。这可能是有问题的,因为“老化”的存储单元通常会导致神经形态设备执行的程序出现功能错误。

为了克服这一挑战,德雷克塞尔大学和加州大学欧文分校的研究人员创造了电子脊柱,这种技术可以延长神经形态系统的寿命。这项技术发表在arXiv上的一篇论文中,确保了具有更高激活的人工突触在具有更高耐久性的忆阻器上实现。

开展这项研究的研究人员之一Anup Das告诉TechXplore:“通过亚微米技术节点的电路模拟,我们表明神经形态系统中的存储单元在写入持久性方面可能存在显著差异。“我们把具有高耐力的细胞称为强细胞。耐久性的差异是由通过系统中不同细胞传播的电流变化引起的。”

本质上,如果达斯和他的同事称之为“较弱”的细胞被大量使用(即,当映射到这些细胞的突触被过于频繁地激活时),它们会老化得更快。这会对系统的整体可用性产生负面影响,导致更多的错误。

研究人员进行的这项研究的主要目的是分析一个最大似然/人工智能算法的工作量,并将其突触映射到执行它的神经形态系统中的记忆细胞。最终,他们希望确保表现出更高活性的突触被映射到更强的细胞上。

为了实现他们的目标,Das和他的同事开发了一种称为eSpine的技术,该技术将人工神经网络的突触元素自动映射到神经形态系统的记忆细胞。这可以最终平衡神经形态计算系统中存储单元的耐久性,并增加它们的可用寿命。

“在神经形态系统上寻找ML/AI工作负载的映射解的问题是一个组合优化问题,它是NP完全的,在多项式时间内是不可解的,”Das说。“我们使用了粒子群优化算法(PSO),这是一种计算方法,通过迭代地尝试根据给定的质量度量来改进候选解,从而找到优化问题的解决方案。”

在研究人员的研究背景下,“质量”一词指的是神经形态系统的寿命,这是通过记录其最弱细胞的激活来衡量的。粒子群优化技术的灵感来自动物的群体行为,如鸟类的群集和学校行为。

“对于粒子群算法生成的每个解决方案,eSpine通过分析每个工作负载内的突触激活,将突触映射到存储单元,”Das解释道。“激活较高的突触被映射到更强的细胞,反之亦然。最终,当粒子群算法找到最佳解时,较弱细胞的平均续航能力会得到显著提高。”

Das和他的同事设计的技术纯粹从软件映射的角度缓解了神经形态系统记忆细胞的耐力瓶颈。这个过程可以被视为等同于传统计算机中由操作系统执行的负载平衡操作。

与提高神经形态系统使用寿命的其他技术相比,eSpine不需要开发人员采取任何行动或参与。此外,它不会影响或改变系统的硬件和接口。

研究人员评估了他们在一系列实验中开发的技术。值得注意的是,他们发现它导致的可用寿命是使用其他最先进的方法延长神经形态系统寿命的3.5倍。

“我们论文中的关键发现是,在一个神经形态系统中,记忆细胞的耐力变化很大,这种变化是由通过记忆细胞传播的电流变化引起的,”Das说。"在升高的电压和温度下,耐久性的变化变得更加关键."

典型地,如果神经形态系统被设计为运行大约10年,任意的突触映射技术可以将其可用寿命降低到两年。通过将激活更高的突触映射到更强的记忆细胞,eSpine可以将同一系统的可用寿命延长到7年。

在未来,这个研究团队设计的技术将被证明是非常有价值的,因为它可以帮助延长各种神经形态装置的寿命并增强其耐用性。在接下来的研究中,Das和他的同事希望进一步开发eSpine来解决神经形态系统的其他限制。

“更强的存储单元访问起来也更慢,这意味着频繁激活这些单元会导致更慢的性能,”Das说。“未来,我们计划扩大这项研究,也考虑到应用程序减速。”

来源:由phyica.com整理转载自PH,转载请保留出处和链接!

本文链接:http://www.phyica.com/jishugongcheng/2705.html

发表评论

用户头像 游客
此处应有掌声~

评论列表

还没有评论,快来说点什么吧~