En años recientes, Los investigadores han propuesto una amplia variedad de implementaciones de hardware para redes neuronales artificiales de alimentación hacia adelante. Estas implementaciones incluyen tres componentes clave:un motor de producto punto que puede calcular operaciones de capa de convolución y completamente conectadas, elementos de memoria para almacenar resultados intermedios entre capas, y otros componentes que pueden calcular funciones de activación no lineales.
Motores de productos puntuales, que son esencialmente aceleradores de alta eficiencia, hasta ahora se han implementado con éxito en hardware de muchas formas diferentes. En un estudio publicado el año pasado, Investigadores de la Universidad de Notre Dame en Indiana utilizaron circuitos de productos punto para diseñar un acelerador basado en una red neuronal celular (CeNN) para redes neuronales convolucionales (CNN).
El mismo equipo en colaboración con otros investigadores de la Universidad de Minnesota, ha desarrollado ahora una célula CeNN basada en espintrónica (es decir, spin electronic) elementos de alta eficiencia energética. Esta celda, presentado en un artículo publicado previamente en arXiv, se puede utilizar como una unidad de computación neuronal.
Las células propuestas por los investigadores, llamadas neuronas magnetoeléctricas inversas de Rashba-Edelstein (IRMEN), se asemejan a las células estándar de las redes neuronales celulares en el sentido de que se basan en un condensador, pero en celdas IRMEN, el condensador representa un mecanismo de entrada en lugar de un estado real. Para garantizar que las células CeNN puedan sostener las operaciones complejas que suelen realizar las CNN, los investigadores también propusieron el uso de una red neuronal de doble circuito.
El equipo llevó a cabo una serie de simulaciones utilizando HSPICE y Matlab para determinar si sus células de memoria espintrónica podrían mejorar el rendimiento. velocidad y eficiencia energética de una red neuronal en una tarea de clasificación de imágenes. En estas pruebas, Las células IRMEN superaron a las implementaciones puramente basadas en carga de la misma red neuronal, consumiendo ≈ 100 pJ en total por imagen procesada.
"El rendimiento de estas celdas se simula en una clasificación de imágenes de CNN acelerada por CeNN, "escribieron los investigadores en su artículo." Las células espintrónicas reducen significativamente el consumo de energía y tiempo en relación con sus contrapartes basadas en carga, necesitando solo ≈ 100 pJ y ≈ 42 ns para calcular todo excepto la capa CNN final completamente conectada, manteniendo una alta precisión ".
Esencialmente, en comparación con los enfoques propuestos anteriormente, Las células IRMEN pueden ahorrar una cantidad considerable de energía y tiempo. Por ejemplo, una versión puramente basada en carga del mismo CeNN utilizado por los investigadores requiere más de 12 nJ para calcular toda la convolución, etapas de puesta en común y activación, mientras que el IRMEN CeNN necesita menos de 0,14.
"Con la creciente importancia de la computación neuromórfica y la computación más allá de CMOS, la búsqueda de nuevos dispositivos para cumplir estos roles es crucial, "Los investigadores concluyeron en su artículo." Hemos propuesto un nuevo elemento de memoria analógica magnoeléctrica con una función de transferencia incorporada que también le permite actuar como la celda en un CeNN ".
Los hallazgos recopilados por este equipo de investigadores sugieren que la aplicación de la espintrónica en la computación neurmórfica podría tener ventajas notables. En el futuro, las celdas de memoria IRMEN propuestas en su artículo podrían ayudar a mejorar el rendimiento, velocidad y eficiencia energética de las redes neuronales convolucionales en una variedad de tareas de clasificación.
© 2019 Science X Network
