Dans les années récentes, les chercheurs ont proposé une grande variété d'implémentations matérielles pour les réseaux de neurones artificiels à anticipation. Ces implémentations comprennent trois composants clés :un moteur de produits scalaires qui peut calculer les opérations de convolution et de couche entièrement connectée, des éléments de mémoire pour stocker les résultats intermédiaires inter et intra-couches, et d'autres composants pouvant calculer des fonctions d'activation non linéaires.
Moteurs à produits scalaires, qui sont essentiellement des accélérateurs à haut rendement, ont jusqu'à présent été implémentés avec succès dans le matériel de nombreuses manières différentes. Dans une étude publiée l'année dernière, des chercheurs de l'Université de Notre Dame dans l'Indiana ont utilisé des circuits de produits scalaires pour concevoir un accélérateur basé sur un réseau de neurones cellulaires (CeNN) pour les réseaux de neurones convolutifs (CNN).
La même équipe, en collaboration avec d'autres chercheurs de l'Université du Minnesota, a maintenant développé une cellule CeNN basée sur la spintronique (c'est-à-dire, spin electronic) à haute efficacité énergétique. Cette cellule, présenté dans un article pré-publié sur arXiv, peut être utilisé comme unité de calcul neuronal.
Les cellules proposées par les chercheurs, appelés neurones magnétoélectriques inverses de Rashba-Edelstein (IRMEN), ressemblent aux cellules standard des réseaux de neurones cellulaires en ce qu'elles sont basées autour d'un condensateur, mais dans les cellules IRMEN, le condensateur représente un mécanisme d'entrée plutôt qu'un véritable état. Pour s'assurer que les cellules CeNN sont capables de supporter les opérations complexes généralement effectuées par les CNN, les chercheurs ont également proposé l'utilisation d'un réseau de neurones à double circuit.
L'équipe a effectué une série de simulations à l'aide de HSPICE et Matlab pour déterminer si leurs cellules de mémoire spintronique pouvaient améliorer les performances, vitesse et efficacité énergétique d'un réseau de neurones dans une tâche de classification d'images. Dans ces épreuves, Les cellules IRMEN ont surpassé les implémentations purement basées sur la charge du même réseau neuronal, consommant ≈ 100 pJ au total par image traitée.
"Les performances de ces cellules sont simulées dans une classification d'images CNN accélérée par CeNN, " les chercheurs ont écrit dans leur article. " Les cellules spintroniques réduisent considérablement la consommation d'énergie et de temps par rapport à leurs homologues à charge, nécessitant seulement ≈ 100 pJ et ≈ 42 ns pour calculer tout sauf la couche CNN entièrement connectée finale, tout en conservant une grande précision."
Essentiellement, par rapport aux approches proposées précédemment, Les cellules IRMEN peuvent économiser une quantité substantielle d'énergie et de temps. Par exemple, une version purement basée sur la charge du même CeNN utilisé par les chercheurs nécessite plus de 12 nJ pour calculer toutes les convolutions, les étapes de mutualisation et d'activation, tandis que l'IRMEN CeNN a besoin de moins de 0,14.
"Avec l'importance croissante du calcul neuromorphique et du calcul au-delà du CMOS, la recherche de nouveaux appareils pour remplir ces rôles est cruciale, " ont conclu les chercheurs dans leur article. " Nous avons proposé un nouvel élément de mémoire analogique magnoélectrique avec une fonction de transfert intégrée qui lui permet également d'agir comme la cellule d'un CeNN. "
Les résultats rassemblés par cette équipe de chercheurs suggèrent que l'application de la spintronique dans l'informatique neuromorphique pourrait avoir des avantages remarquables. À l'avenir, les cellules mémoire IRMEN proposées dans leur article pourraient aider à améliorer les performances, vitesse et efficacité énergétique des réseaux de neurones convolutifs dans diverses tâches de classification.
© 2019 Réseau Science X
