A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures

要約

極端なエッジコンピューティングアプリケーションでのリアルタイムの感覚処理のために最適化された専用の混合神経型コンピューティングシステムの開発には、時間のかかる設計、製造、およびフルカスタム神経型プロセッサの展開が必要です。
さまざまなネットワークアーキテクチャとパラメーター設定のプロパティを調査するために、初期のプロトタイピングの取り組みを確保するには、現実的な結果につながるため、最終ハードウェアのプロパティに可能な限り一致するシミュレーションフレームワークを使用することが重要です。
これは、コンポーネントの変動性とノイズ感度のため、混合シグナルアナログ/デジタルサーキットを使用して作成された神経形態のハードウェアプラットフォームにとって特に困難です。
このホワイトペーパーでは、デバイスの不一致の変動を含む混合シグナル神経型回路の特性を説明するように明示的に設計されたソフトウェアスパイクニューラルネットワークシミュレーターを開発することにより、この課題に対処します。
Arcana（アナログ/デジタルニューロモルフィックアーキテクチャの現実的なシミュレーションフレームワーク）と呼ばれるシミュレーターは、パラメーターの最適化とGPU加速のための自己妥当な分化を備えた混合シナールシナプスとニューロンの電子回路のダイナミクスを再現するように設計されています。
ソフトウェアシミュレーションの結果を既存の神経形成プロセッサから作られた測定と一致させることにより、このアプローチの有効性を実証します。
得られた結果が、ハードウェアに展開された後、ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作の信頼できる推定値をどのように提供するかを示します。
このフレームワークにより、新しい学習ルールの開発と革新と、神経型埋め込みシステムの処理アーキテクチャが可能になります。

要約(オリジナル)

Developing dedicated mixed-signal neuromorphic computing systems optimized for real-time sensory-processing in extreme edge-computing applications requires time-consuming design, fabrication, and deployment of full-custom neuromorphic processors. To ensure that initial prototyping efforts, exploring the properties of different network architectures and parameter settings, lead to realistic results, it is important to use simulation frameworks that match as best as possible the properties of the final hardware. This is particularly challenging for neuromorphic hardware platforms made using mixed-signal analog/digital circuits, due to the variability and noise sensitivity of their components. In this paper, we address this challenge by developing a software spiking neural network simulator explicitly designed to account for the properties of mixed-signal neuromorphic circuits, including device mismatch variability. The simulator, called ARCANA (A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures), is designed to reproduce the dynamics of mixed-signal synapse and neuron electronic circuits with autogradient differentiation for parameter optimization and GPU acceleration. We demonstrate the effectiveness of this approach by matching software simulation results with measurements made from an existing neuromorphic processor. We show how the results obtained provide a reliable estimate of the behavior of the spiking neural network trained in software, once deployed in hardware. This framework enables the development and innovation of new learning rules and processing architectures in neuromorphic embedded systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google