La puce de réseau neuronal Spiking combine une faible latence et une faible consommation d’énergie avec une précision d’inférence élevée

La puce de réseau neuronal Spiking combine une faible latence et une faible consommation d'énergie avec une précision d'inférence élevée

Le SNN adaptatif basé sur les neurones d’Imec («Adaptive SRNN») a été évalué par rapport à six autres réseaux de neurones, en utilisant huit ensembles de données différents, notamment le radar de Google (SoLi) et les ensembles de données vocales de Google. Crédit: IMEC

En avril 2020, imec a lancé la première puce au monde à traiter les signaux radar à l’aide d’un réseau neuronal récurrent (SNN) à pointes. Son cas d’utilisation phare? La création d’un système de perception multi-capteurs intelligent et basse consommation pour drones qui identifie les obstacles en quelques millisecondes.

Contrairement aux réseaux de neurones artificiels qui sont un ingrédient clé des systèmes de perception robotiques actuels, les SNN imitent le fonctionnement des groupes de neurones biologiques – émettant des impulsions électriques peu au fil du temps et, dans le cas des neurones sensoriels biologiques, uniquement lorsque l’entrée sensorielle change . C’est une approche qui présente des avantages importants: au moment de l’annonce, la puce SNN de l’imec a montré qu’elle consommait jusqu’à cent fois moins d’énergie que les implémentations traditionnelles tout en réduisant la latence par dix, permettant une prise de décision quasi instantanée.

Dans l’article suivant, Ilja Ocket, responsable du programme de détection neuromorphique chez imec, donne un aperçu de certaines des avancées récentes de l’imec dans ce domaine.

Optimisation et mise à l’échelle de la puce SNN d’origine

L’année dernière, imec a optimisé et mis à l’échelle sa puce SNN d’origine, dont les détails ont été récemment publiés dans Frontières en neurosciences—Pour héberger une variété de cas d’utilisation (IoT et robotique autonome). La puce repose sur une architecture numérique entièrement basée sur les événements et a été implémentée dans une technologie CMOS 40 nm à faible coût. Il prend en charge le traitement événementiel et s’appuie sur des oscillateurs locaux à la demande et une nouvelle cellule de retard pour éviter l’utilisation d’une horloge globale. De plus, il n’exploite pas les blocs de mémoire séparés; au lieu de cela, la mémoire et le calcul sont co-localisés dans la zone IC pour éviter l’accès aux données et les frais généraux d’énergie.

Le SNN d’Imec se classe parmi les plus performants en termes de précision d’inférence

La puce de réseau neuronal Spiking combine une faible latence et une faible consommation d'énergie avec une précision d'inférence élevée

L’approche de pointe de bout en bout d’Imec au travail. La détection des caractéristiques locales forme la première couche pour une construction sémantique plus complexe. Crédit: IMEC

Pendant ce temps, des recherches menées avec l’institut national de recherche néerlandais pour les mathématiques et l’informatique (CWI), confirment que les neurones à pointes avec des seuils adaptatifs peuvent être entraînés pour obtenir une précision d’inférence de premier ordre. Une étude approfondie menée par imec et CWI visait à comparer les SNN utilisant des neurones adaptatifs à six autres réseaux de neurones. Pour ce faire, huit ensembles de données différents ont été utilisés, dont le radar de Google (SoLi) et les ensembles de données vocales de Google. L’étude a clairement souligné que les SNN utilisant des neurones avec des seuils adaptatifs peuvent atteindre une faible consommation d’énergie, mais pas au détriment d’une précision d’inférence diminuée. Au contraire: pour chacun des grands ensembles de données utilisés dans l’étude, le SNN imec s’est classé parmi les meilleurs en termes de précision.

«La technologie SNN trouvera son chemin dans un large éventail de cas d’utilisation: des appareils intelligents et auto-apprenants de l’Internet des objets (IoT), tels que les appareils portables et les applications d’interface cerveau-ordinateur, aux drones et robots autonomes. use-cases est livré avec son propre ensemble d’exigences », déclare Ilja Ocket. «Alors que le dopage des réseaux de neurones pour les applications IoT devrait exceller dans le fonctionnement avec un très petit budget d’énergie, les drones autonomes exigent un SNN à faible latence qui leur permet d’éviter les obstacles rapidement et efficacement.

«Répondre à ces exigences à l’aide d’une architecture SNN universelle est extrêmement difficile. Un équilibre délicat doit être trouvé entre la consommation d’énergie, la latence, la précision, le coût (surface de la puce) et l’évolutivité. Par exemple, un SNN avec le plus bas La consommation d’énergie et la latence possibles se traduisent généralement par une augmentation de la surface de la puce – et vice versa. Trouver cet équilibre est l’un des domaines d’intérêt SNN de l’imec.  »

Aller de l’avant: piquer tout le chemin

Les drones sont utilisés dans un nombre croissant de domaines d’application. Néanmoins, pour améliorer leur niveau d’autonomie et pour les faire fonctionner dans des environnements plus difficiles (tels que des conditions météorologiques défavorables), leurs capacités de détection nécessitent encore un autre coup de pouce. Selon Ilja Ocket, une approche de pointe de bout en bout – basée sur des entrées de radar et de caméra neuromorphiques fusionnées – pourrait offrir une issue.

Ilja Ocket déclare: «Cela constitue évidemment un système très économe en énergie et à très faible latence. Aujourd’hui, cependant, pour connecter de telles caméras à l’IA sous-jacente, il faut encore traduire leur flux en images, ce qui limite considérablement l’efficacité. C’est pourquoi nous étudions la manière dont le concept de dopage peut être mis en œuvre de bout en bout: des caméras et capteurs au moteur d’IA. Nous sommes en fait les premiers à le faire, avec des résultats très prometteurs jusqu’à présent. Enfin, nous sommes toujours à la recherche d’entreprises de l’industrie des drones, comme les constructeurs de drones OEM, pour rejoindre notre programme et expérimenter cette technologie passionnante.  »


Brain-on-a-chip aurait besoin de peu de formation


Plus d’information:
Jan Stuijt et al, μBrain: une architecture événementielle et entièrement synthétisable pour les réseaux de neurones dopants, Frontières en neurosciences (2021). DOI: 10.3389 / fnins.2021.664208

Citation: La puce de réseau neuronal Spiking combine une faible latence et une faible consommation d’énergie avec une précision d’inférence élevée (1er juin 2021) récupérée le 1er juin 2021 sur https://techxplore.com/news/2021-06-spiking-neural-network-chip-combines. html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.