增加神经形态系统使用寿命的技术

导读近年来,世界各地的工程师一直在尝试开发越来越先进和有效的神经形态计算系统,这些装置可模仿中枢神经系统的神经生物学结构。由于它们具有

近年来,世界各地的工程师一直在尝试开发越来越先进和有效的神经形态计算系统,这些装置可模仿中枢神经系统的神经生物学结构。由于它们具有生物启发性的体系结构,因此这些系统对于执行机器学习(AI)算法和其他人工智能(AI)工具可能特别理想。

不幸的是,在这些系统中实现类似突触的连接的存储单元具有有限的写耐力。从本质上讲,这意味着它们可以在开始显示出“老化”和变质迹象之前可靠地编程有限次。这可能是有问题的,因为“老化”的存储单元通常会导致神经形态设备执行的程序出现功能错误。

为了克服这一挑战,德雷塞尔大学和加利福尼亚大学欧文分校的研究人员创建了e-Spine,该技术可以延长神经形态系统的寿命。在arXiv上预先发表的一篇论文中介绍的这项技术可确保在具有更高耐久性的忆阻器上实施具有更高激活率的人工突触。

“通过亚微米技术节点的电路仿真,我们显示出神经形态系统中的存储单元在写入耐力方面可以有显着差异,”进行这项研究的研究人员之一安纳普·达斯(Anup Das)告诉TechXplore。“我们将具有高耐力的电池称为强电池。耐力的差异是由通过系统中不同电池的电流变化引起的。”

本质上,如果Das和他的同事称为“较弱”的细胞被大量使用(即,当映射到这些细胞的突触过于频繁地被激活),它们的衰老速度会更快。这可能会对系统的整体可用性产生不利影响,从而导致更多错误。

研究人员进行的这项研究的主要目的是分析ML / AI算法的工作量,并将其突触映射到执行它的神经形态系统内的存储单元。最终,他们希望确保将表现出更高激活水平的突触定位到更强的细胞上。

为了实现他们的目标,Das和他的同事开发了一种称为eSpine的技术,该技术可以将人工神经网络的突触元件自动映射到神经形态系统的存储单元。这最终可以平衡神经形态计算系统中存储单元的耐久性,并增加其使用寿命。

达斯说:“在神经形态系统上找到针对ML / AI工作量的映射解决方案的问题是组合优化问题,它是NP完全的,无法在多项式时间内解决。” “我们使用了粒子群优化(PSO),这是一种计算方法,它通过反复尝试针对给定的质量度量来改进候选解决方案,从而找到了优化问题的解决方案。”

在研究人员的研究中,“质量”一词是指神经形态系统的寿命,通过记录其最弱细胞的激活来衡量。PSO技术的灵感来自于动物群的行为,例如鸟类的植绒和上学行为。

Das解释说:“对于PSO算法生成的每个解决方案,eSpine通过分析每个工作负载内的突触激活将突触映射到存储单元。” “具有较高激活能力的突触被定位到更强的细胞,反之亦然。最终,当PSO找到最佳解决方案时,较弱细胞的平均耐受力得到了显着改善。”

Das和他的同事设计的这项技术完全从软件映射的角度缓解了神经形态系统的存储单元的持久性瓶颈。可以认为此过程等效于常规计算机中的操作系统(OS)进行的负载平衡操作。

与其他改善神经形态系统使用寿命的技术相比,eSpine不需要代表开发人员采取任何行动或参与。此外,它不会影响或更改系统的硬件和接口。

研究人员通过一系列实验评估了他们开发的技术。值得注意的是,他们发现与使用其他延长神经形态系统寿命的最新方法相比,它的可用寿命要高3.5倍。

达斯说:“我们论文的主要发现是记忆细胞的耐力在神经形态系统内有很大变化,而这种变化是由在记忆细胞中传播的电流变化引起的。” “在升高的电压和温度下,耐久性变化变得更加关键。”

通常,如果将神经形态系统设计为可运行约10年,则任意突触映射技术可将其使用寿命降低到两年。通过将具有较高激活作用的突触映射到较强的存储单元,eSpine可以将同一系统的使用寿命延长到7年。

将来,由这组研究人员设计的技术因此可能被证明具有很高的价值,因为它可以帮助延长各种神经形态设备的寿命并提高其耐用性。在接下来的研究中,Das及其同事希望进一步开发eSpine,以解决神经形态系统的其他局限性。

Das说:“更强的存储单元访问速度也较慢,这意味着频繁激活这些单元将导致性能降低。” “将来,我们计划扩展这项研究,以考虑应用程序的速度下降。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢