Benchmarking energy consumption and latency for neuromorphic computing in condensed matter and particle physics

要約

科学計算の多くの分野でますます普及している人工ニューラル ネットワーク (ANN) の大規模な使用は、最新の高性能計算システムのエネルギー消費を急速に増加させます。
ハードウェアに ANN を直接実装する新しいニューロモルフィック パラダイムによって、魅力的でおそらくより持続可能な代替手段が提供されます。
ただし、科学計算のユース ケースでニューロモーフィック ハードウェア上で ANN を実行することの実際の利点についてはほとんど知られていません。
ここでは、従来のハードウェアで ANN を使用して推論タスクのエネルギー コストと計算時間を測定する方法を紹介します。
さらに、これらのタスク用のアーキテクチャを設計し、ニューロモーフィック コンピューティングの重要なパラダイムの 1 つである最先端のアナログ インメモリ コンピューティング (AIMC) プラットフォームに基づいて同じメトリックを推定します。
両方の方法論は、2 次元凝縮物質系の量子多体物理学のユース ケースと、素粒子物理学の大型ハドロン衝突型加速器での 40 MHz レートでの異常検出について比較されます。
AIMC は、従来のハードウェアよりも最大 1 桁短い計算時間を、最大 3 桁小さいエネルギー コストで達成できることがわかりました。
これは、ニューロモーフィック ハードウェアを使用した、より高速で持続可能な科学計算の大きな可能性を示唆しています。

要約(オリジナル)

The massive use of artificial neural networks (ANNs), increasingly popular in many areas of scientific computing, rapidly increases the energy consumption of modern high-performance computing systems. An appealing and possibly more sustainable alternative is provided by novel neuromorphic paradigms, which directly implement ANNs in hardware. However, little is known about the actual benefits of running ANNs on neuromorphic hardware for use cases in scientific computing. Here we present a methodology for measuring the energy cost and compute time for inference tasks with ANNs on conventional hardware. In addition, we have designed an architecture for these tasks and estimate the same metrics based on a state-of-the-art analog in-memory computing (AIMC) platform, one of the key paradigms in neuromorphic computing. Both methodologies are compared for a use case in quantum many-body physics in two dimensional condensed matter systems and for anomaly detection at 40 MHz rates at the Large Hadron Collider in particle physics. We find that AIMC can achieve up to one order of magnitude shorter computation times than conventional hardware, at an energy cost that is up to three orders of magnitude smaller. This suggests great potential for faster and more sustainable scientific computing with neuromorphic hardware.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google