Implementación de modelos de espacio de estados para el procesamiento de secuencias de eventos en computación en...

Área de la Ciencia:

• Inteligencia Artificial
• Ingeniería Informática
• Neurociencia

Sus antecedentes:

• Los modelos de espacio de estados (SSM) ofrecen capacidades avanzadas de procesamiento de secuencias largas.
• Los SSM generalizan las redes recurrentes y convolucionales, imitando las funciones de los sistemas biológicos.
• Las implementaciones existentes de SSM enfrentan desafíos en eficiencia energética y procesamiento en tiempo real.

Objetivo del estudio:

• Implementar modelos de espacio de estados (SSM) en hardware de computación en memoria energéticamente eficiente.
• Lograr el procesamiento en tiempo real y basado en eventos para aplicaciones de IA.
• Explorar el co-diseño de algoritmos y hardware para un rendimiento mejorado.

Principales métodos:

• SSM repareterizados para coeficientes de valor real y constantes de decaimiento compartidas.
• Aprovechamiento de la dinámica del dispositivo y parámetros de transición de estado diagonalizados.
• Implementación de la evolución del estado de forma nativa en sistemas de computación en memoria basados en redes de conmutación con memristores.

Principales resultados:

• Se logró una alta precisión en tareas de IA utilizando el sistema propuesto.
• Se demostró una eficiencia energética significativa en comparación con los métodos tradicionales.
• Se habilitó el procesamiento totalmente asíncrono para visión y audio basados en eventos.

Conclusiones:

• El co-diseño de algoritmos y hardware permite una implementación eficiente de SSM.
• El sistema proporciona una vía para el procesamiento de IA en tiempo real y de baja potencia.
• Este enfoque es adecuado para tareas de datos sensoriales basados en eventos.