Mikroişlemci Mimariyi Nöromorfik Tasarım ile Yeniden Tanımlama

Sürekli olarak, atom ölçeklerine, geleneksel von Neumann mimarisine yönelik olarak, araştırmacılar ve donanım mühendislerine radikal bir şekilde farklı bir yaklaşımla yöneliyor: bu mikromorfik sistemlerden ilkeleri ödünç alarak, bu paradigma, atomik ölçeklere farklı olarak farklı bir şekilde yaklaşmayı hedefliyor, ancak aynı zamanda geleneksel çiplerin mücadelesine de katılıyor.

Konvansiyonel Mikroişlemci Tasarımının Sınırları

Klasik mikroişlemci mimarisi, von Neumann modeline dayanarak, ayrı hafıza ve işleme birimlerine sahiptir. Veriler geri döndü ve aralarında hareket eden bir şişenck oluşturmak, [[0|verilen Neumann şişeneck) ile hızlar arttı ve transistör sayısı arttı, otomatik olarak daha düşük güç tüketiminde daha düşük bir güç kaynağı haline gelir.

Nöromorphic Computing Vakfı

Nöromorfik hesaplama, 1980'lerin sonlarında Carver Mead tarafından yapılan bir terim, sinirsel ve sinaptik biyolojik sinir sistemlerinin tasarımına atıfta bulunur.Berzistanlı sistemlerde bilgi yerine, potansiyeller gibi, sinirsel sistemlerde (SNN)[değiştirme, değiştirilenler, sinir ağları (SNN)[Döneticileri)[değiştirme ve sinerjik olmayanlar için sayısal sistemlerde şifreler ile değiştirilebilenler arasındaki ayrımı ortadan kaldırırlar.

Anahtar Biyolojik İlhamlar

  • [FONT=0)Spiking nöronlar:[Dönetici:0))[Döneticileri:[Dönlendirme) Bu olay odaklı bir şekilde, sistemin büyük ölçüde gerekli olana kadar, enerji tasarrufuna ihtiyaç duyduğu anlamına gelir.
  • [FONT:0]Synaptic plastikite:[Dönetici:[Dönetici ağırlıklar, önceden ve sonrası akışların göreceli zamanlamasına göre ayarlanır.
  • [FONT:0]Masive paralellik:[Dönetici:[Dönetici:0) Tek bir beyin milyarlarca nöron ve trilyonlar sinaps içerir, tüm işletim eş zamanlı olarak. Nöromorphic bu paralelliği nöron devreleri ve çapraz bar sinapse matriksleri ile çoğaltır.
  • [FONT:0]Asynchronous sinyalleme: Saatli dijital devrelerden farklı olarak, nöromorphic sistemleri genellikle atekkron veya olay odaklı iletişim kullanıyor, boşanarak gücü ortadan kaldırmak için küresel bir saat.

Konvansiyonel Süreçtörlerden Ne Kadar Sinirli Donanım Differs

Geleneksel CPUlar, önbellek ve enerji cezaları ile ilgili talimatları uygularlar (veya sınırlı paralellik ile boru dizileri ile sınırlı olarak yapılır).Bu tür bir bellek cihazı (örneğin, bellek ve benzeri olmayan bellek) ile birlikte, mikropişmanları ile uygulanan ve analog olmayan bir bellek sistemi ile birlikte yapılır.

Analog Nöromorphic Uygulamaya karşı Dijital

Nöromorfik çipler, dijital veya analog alanlarda (veya bir hibrit) Dijital sinirsel tasarımlar, örneğin Intel ’ Loihi 2, sinirsel olmayan dinamikleri ayrı sayılarla temsil eder ve düşük güç kullanarak daha düşük maliyetli, ölçeklenebilirlik ve daha kolay entegrasyon sağlar. Hem geleneksel dijital sistemlerle, hem de daha kolay entegrasyon, hem de Stanford ve IBM'den gelen bazı araştırmalar gibi, altta yatan rejimleri kullanarak nöron davranışları doğrudan modellere karşı uygularlar.

Future Microprocessors için Anahtar Avantajlar

Unprecedented Energy Verimliliği

Nöromorfik hesaplamanın en çekici avantajı, bu verimliliğin bir kısmını bile simüle etmek için enerji tüketiminin belirli iş yükleri için büyüklüğün siparişleriyle azaltılmasıdır. Biyolojik beyinler yaklaşık 20 watt üzerinde çalışır, modern süper bilgisayarlar bu sinir aktivitelerinin bir kısmını simüle etmek için megawatt gerektirir. Nöromorphic cipsler bu verimliliği elde ederler, çünkü sadece hızlandığında güç harcarlar, boş dönemler sırasında bellek erişimleri yereldir, uzun mesafe veri transferleri üzerindeki enerjiyi ortadan kaldırır.

Gerçek Zamanlı Sensör İşleme

Olay temelli kameralar (örneğin, Dinamik Vizyon Sensör), sabit bir oranda tam çerçeveler yerine, hızlı hareket ve hızlı bir şekilde işlemenin bu olayları mümkün olduğunca takip edebilir.Bu, tüm görüntülerin yüksek çözünürlükte işlenmesi için idealdir.

On-Chip Öğrenme ve Adaptability

Geleneksel mikroişlemciler, ev sahibi bir bilgisayar gerektirmeden önce sistemi doğrudan donanımda bulunan yerel öğrenme kurallarını uygulayabilirler.Bu, cihazın bilgisini uçup, kişisel arayüzler için ideal hale getirebileceği, aomaly algılama ve gelişen ortamlar için sisteme olanak sağlar.

Yanlış Hoşgörü ve Robustness

Çünkü sinirsel hesaplama dağıtılır ve reddant, nöromorphic sistemler doğal olarak yanlıştır.Bir ağdaki tek bir nöron veya sinapsenin kaybı genellikle yıkıcı bir başarısızlıktan ziyade, gerçekçi olmayan bir şekilde incelenebilir.Bu özellik, uzun vadeli uzay görevleri için değerlidir, derin deniz araştırmaları veya donanım onarımının imkansız olduğu herhangi bir uygulamadır.

Notable Neuromorphic Processors and Projects

Intel Loihi 2

Intel’ Loihi 2, Intel’ için yerel bir arayüz sunuyor; Lava yazılım çerçevesine destek veren araştırmacıların SNN algoritmaları geliştirmesini sağlıyor.0)1000x enerji verimliliği) Bazı casus ağları için geleneksel CPUler üzerinde.

IBM TrueKuzey

IBM’ TrueNorth, 2014 yılında tanıtıldı, 4096 nörosynaptik çekirdekler, her biri 256 nöron ve 256×256 haçlı sinaps, toplam 1 milyon nöron ve 256 milyon sinaps. Son derece düşük güçte çalışıyor (yaklaşık 70 mW) ve bir etkinlik odaklı bir mimari kullanıyorlardı.

BeyinScaleS ve SpiNNaker

Bu Avrupa projeleri farklı yaklaşımlar alır. BeyinScaleS (Heidelberg), biyolojik gerçek zamanlı olarak 10.000x kullanan bir analog sinir ağlarıdır, uzun vadeli sinir dinamikleri incelemek için faydalı hale getirir. SpiNNaker (Manchester) büyük casus sinir ağları için tasarlanmış bir dijital sistemdir, özel bir paket-switched ağ tarafından birbirine bağlı birçok ARM çekirdeği kullanarak.

Zorluk Mikroişlemcileri Facing Neuromorphic Microprocessors

Algoritma ve Yazılım Mismatch

Mevcut AI yazılımı geleneksel olarak inşa edilir, non-spiking sinir ağları (CNNs, RNNs) Buları SNN'lere genellikle doğrulama kaybı veya yeniden eğitim gerektirir. Ayrıca, SNNs ile geri dönüşümlü olmayan bir araştırma grupları ile zorlanır.

Scalability and Fabrication

Nöromorfik çipler standart CMOS süreçleri kullanılarak kumaşlanabilirken, yoğun memristive çaprazbarları CMOS nöron devreleri ile birlikte üretim karmaşıklığına bağlar. Gelişen olmayan hafıza cihazlarının erişilebilirliği ve dayanıklılığı (memristors, PCM, STT-RAM) henüz ticari yüksek hacimli üretim için gerekli olan seviyede değildir. Ayrıca, birçok nöromorfik çipleri daha büyük ağlara bağlar (örneğin, kortical-ölen-öldürülemez) daha verimli bir iç iletişim protokolleri gerektirir.

Standartlaştırılmış Mimarlık eksikliği

İyi tanımlanmış bir eğitim seti ve hafıza arayüzüne sahip olan von Neumann modelinin aksine, nöromorfik mimariler yaygın olarak değişir.Her araştırma grubu farklı nöron modelleri, öğrenme kuralları ve iletişim programları uygular, bu parçalama, taşınabilir yazılımları geliştirmek veya performansı karşılaştırmak zorlaşır.

Sınırlı Genel Teklifler

Nöromorfik işlemciler, geleneksel iş yüklerinde kötü performanslar (örneğin, kelime işleme, veritabanı, yüzen matematik) ve programlama modelleri de dahil olmak üzere, tümleşik CPU'lar ve GPU'lar gibi aynı zamanda optimizasyonlar veya paketler üzerinde de etkili bir şekilde performans sergiliyorlar.

Bütünleme Paths: Hybrid Computing Systems

Örneğin, bilgisayar işleme ve aktivasyon sistemlerindeki en gerçekçi gelecek için, bilgisayar işleme için bir GPU ve paralel iş yükleri için konvansiyonel bir CPU içerebilir.Bu kombinasyon, Intel ve IBM gibi şirketlerin her mimarinin güçlü kuvvetlerinden faydalanmasını sağlar.

Uygulamalar Dönüşüm için Poized for Transformation

Edge AI ve Internet of Things

Düşük güç nöromorfik işlemciler, AI'yı doğrudan bataryaya güçlü sensörler, kameralar ve mikrofonlar bulut bağlantı olmadan algılamayı sağlar. Örneğin, akıllı bir ev cihazında nöromorfik bir çip, mikrowattlar tüketirken sürekli olarak anahtar kelimeler dinleyebiliyordu, aynı şekilde, endüstriyel IoT sensörleri, gerçek zamanlı olarak titreşim veya sıcaklık sensörleri anormallikleri tespit edebilir.

Özerk Araçlar ve Robotik

Nöromorfik işlem ile birlikte yapılan olay temelli bir vizyon, sürekli değişen ortamlar için ultra-düşük algılama sunar. Bir nöromorfik çip, her piksel olayını DVS kamerasından meydana geldiği gibi, milisaniye yanıt zamanlarda engel önlemeye olanak sağlar. ek olarak, sinir morför kontrolörleri sürekli değişen ortamlara adapte edilebilir, mimikking biyolojik refleksler.

Tıbbi ve Neural Prosthetics

Nöromorfik donanım doğal olarak biyolojik sinir dokusu ile arayüzler geliştirir. Araştırmacılar, sinirsel sinyalleri gerçek zamanlı olarak kodlayan beyin-makulatörler gibi, prosthetic uzuvları veya bilgisayar eğrilerini kontrol eder. Düşük güç ve küçük form faktörü de onları implant edilebilir cihazlar için uygun hale getirirler, bu da sinirsel geri bildirimlere dayanan uyarı kalıpları kullanan kapalı-loop derin beyin stimulatörler gibi.

Bilimsel Simülasyon

Nöromorfik çipler büyük ölçekli sinir ağlarının simülasyonlarını hızlandırabilir, nörobilim araştırmalarına yardımcı olabilir. Süper bilgisayarlardaki geleneksel simülasyonlar yavaş ve güç-hungry çünkü her sinapse ve sinir bozucuyu yazılımda taklit ederler.

Future Outlook: Beyond Silikon

Mevcut nöromorfik çipler CMOS ve ortaya çıkan anılarına güvenirken, uzun vadeli vizyon, daha yakından biyolojik sinapslar.ETHFLT:0)Memristors) örneğin, insan beynini rakipleme ve ampirik bir hale getirebilir; ancak, birçok insan laboratuvarında kalır; pratik çipler en az on yıl boyunca.

Standartlaştırma çabaları da kabul edilebilir. Organizasyonlar, ACD gibi Organizasyonlar:0)Neuromorphic Computing Consortium[[Dönetici: 1) ve IEEE çalışma grupları, ölçümler ve iletişim protokolleri geliştirir.Bir kez standartlaştırılmış, nöromorphic mikroişlemciler daha standartlaştırılmış ve daha geniş sistemlere entegre edilebilir, aynı zamanda, nasıl birleştirilmiş hesaplamaya benzer.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Mikroişlemci tasarımının geleceği, sinir morfic hesaplama ilkeleriyle bağlantılıdır. Klasik mimariler genel amaçlı görevler için hükmedmeye devam ederken, enerji verimliliğine yönelik artan talep, gerçek zamanlı ve uyarlayıcı bir zeka, bir paradigma değişikliğini sürüyor. Nöromorphic işlemciler, gelecekteki her akıllı odanın uydulara gömülü bir yol sunabilir, biyolojik beyinlerin bilgisayarlarının nasıl algılandığını temel olarak öğrenir.