形态Bungee:一个65nm 7.2mm 27μJ/图像数字边缘的神经形态芯片与芯片上的802/秒多层尖端神经网络学习

科学领域:

• 神经形态工程的神经形态工程
• 人工智能的人工智能
• 计算机架构 计算机架构

背景情况:

• 边缘计算需要高效,低功耗的智能处理.
• 传统的处理器在边缘处与复杂的AI任务的计算负载作斗争.
• 尖端神经网络 (SNN) 为节能AI提供了一个有希望的,生物启发的替代方案.

研究的目的:

• 介绍一款新型数字边缘神经形状突刺神经网络 (SNN) 处理器芯片.
• 为边缘认知应用实现高速,高精度和完全在芯片上的SNN学习.
• 在严格的资源限制下,在视觉和非视觉任务中展示芯片的多功能性.

主要方法:

• 设计了一个层次化的多核SNN处理器,具有事件驱动范式和meta-crossbar,以实现高效的尖端通信.
• 使用65纳米CMOS工艺制造了一个原型芯片.
• 在MNIST,时尚-MNIST,ETH-80,耶鲁-10和ORL-10数据集上评估了视觉识别的性能,并在卫星图像,嗅觉分类和文本分类中展示了应用.

主要成果:

• 在缩小的MNIST图像上,实现了802/秒 (学习) 和2270/秒 (推理) 的高速吞吐量.
• 证明了低功耗消耗 (大约. 在100MHz,1.0V) 的61mW.
• 获得了高视觉识别准确度 (例如,MNIST上96.06%,Yale-10上99.22%) 和在各种非视觉任务中成功应用.

结论:

• 开发的神经形态芯片有效地支持高性能,在芯片上的SNN学习和推断,用于边缘AI.
• 该处理器适用于具有成本,能量和延迟限制的智能边缘系统,提供现场自适应学习.
• 这项工作推进了直接在边缘部署复杂的认知应用程序的可行性.