Red neuronal convolucional de memristor totalmente implementada en el hardware | JoVE Visualize

Área de la Ciencia:

Ingeniería neuromórfica
Ciencias de los materiales
Ciencias de la computación

Sus antecedentes:

La computación neuromórfica basada en memristores ofrece un entrenamiento de red neuronal rápido y eficiente.
La implementación de hardware de redes neuronales convolucionales (CNN) utilizando barras transversales de memristor sigue siendo un desafío debido a las imperfecciones del dispositivo.
Lograr resultados comparables en software en las CNN basadas en memristores es difícil debido a la variabilidad del dispositivo y el bajo rendimiento.

Objetivo del estudio:

Para fabricar matrices de memristor uniformes de alto rendimiento para la implementación de la CNN.
Desarrollar un método de entrenamiento híbrido para superar las no idealidades del dispositivo.
Para demostrar una CNN escalable basada en memristor para el reconocimiento de imágenes y la computación de borde.

Principales métodos:

Fabricación de matrices transversales de memristor integradas (ocho matrices de 2 048 celdas).
Desarrollo y aplicación de un enfoque de formación híbrido para adaptarse a las variaciones de los dispositivos.
Implementación de un CNN basado en memristores de cinco capas para el reconocimiento de imágenes MNIST.

Principales resultados:

Se logró una alta precisión (> 96%) en el reconocimiento de imágenes MNIST utilizando el CNN basado en memristor.
Capacidad demostrada de procesamiento paralelo, incluidas las convoluciones paralelas y el procesamiento simultáneo de diferentes entradas.
Eficiencia energética exhibida más de dos órdenes de magnitud mayor que las GPU de última generación.
Mostró escalabilidad a arquitecturas de redes neuronales más grandes como redes neuronales residuales.

Conclusiones:

Las soluciones de hardware no von Neumann basadas en memristores viables están habilitadas para redes neuronales profundas.
El sistema desarrollado ofrece un camino prometedor para aplicaciones de computación de borde con eficiencia energética.
Las matrices de memristores de alto rendimiento y uniformes, junto con el entrenamiento adaptativo, superan las limitaciones anteriores en la implementación de hardware CNN.