在模拟神经形态硬件上进行可扩展的网络仿真
Elias Arnold1, Philipp Spilger1, Jan V Straub1
1European Institute for Neuromorphic Computing, Kirchhoff Institute for Physics, Heidelberg University, Heidelberg, Germany.
Frontiers in neuroscience
|February 20, 2025
概括
一个新的软件功能可以在BrainScaleS-2神经形态系统上对大型尖端神经网络进行分区模拟. 这允许训练比硬件物理支持的更大的深度神经网络,推进神经形态计算.
科学领域:
- 神经形态工程的神经形态工程
- 计算神经科学是一种神经科学.
- 人工智能的人工智能
背景情况:
- 该BrainScaleS-2平台提供加速的神经形态计算.
- 模拟大规模尖端神经网络 (SNN) 面临硬件大小限制.
- 深度SNN对于高级AI任务至关重要.
研究的目的:
- 在BrainScaleS-2.0上引入一个用于分区模拟大规模SNN的软件功能.
- 为了使超越单芯片物理限制的SNNs的培训.
- 为了促进缩放的神经形态系统的性能评估.
主要方法:
- 开发了一个用于分区SNN模拟的新型软件功能.
- 在规模不足的神经形态资源上实现了序列模型模拟.
- 在超过BrainScaleS-2大小的MNIST和EuroSAT数据集上训练深度SNN模型.
主要成果:
- 成功证明了大规模SNNs的分区模拟.
- 训练有素的深度SNN模型大于物理BrainScaleS-2基板.
- 使用MNIST和EuroSAT数据集验证了该方法.
结论:
- 软件功能可以模拟和训练比物理硬件更大的SNN.
- 这有助于对未来规模化的神经形态系统进行准确的性能评估.
- 推动大规模SNNs和神经形态计算的开发和理解.
