Células de memória eletrônica de rotação para redes neurais
Se gostarem do conteúdo dêem um joinha 👍 na página do Código Fluente no
Facebook
Esse é o link do código fluente no Pinterest
Meus links de afiliados:
Artigo publicado em 14/06/2019 em https://techxplore.com/news/2019-06-spintronic-memory-cells-neural-networks.html
Implementações de hardware para redes neurais artificiais
Nos últimos anos, os pesquisadores propuseram uma ampla variedade de implementações de hardware para redes neurais artificiais de
feed-forward.
Essas implementações incluem três componentes principais: um mecanismo de produto de ponto que pode computar operações de camada de convolução e totalmente conectadas (
fully-connected layer operations ), elementos de memória para armazenar resultados intermediários inter e intra-camada e outros componentes que podem computar funções de ativação não lineares.
Motores de produto de ponto
Motores de produto de ponto (
Dot-product engines ), que são essencialmente aceleradores de alta eficiência, até agora têm sido implementados com sucesso em hardware de muitas maneiras diferentes.
Em um
estudo publicado no ano passado, pesquisadores da Universidade de
Notre Dame, em Indiana, usaram circuitos de produto de ponto para projetar um acelerador baseado em rede neural celular (
CeNN) para redes neurais convolucionais (
CNNs).
A mesma equipe, em colaboração com outros pesquisadores da Universidade de Minnesota, desenvolveu agora uma célula
CeNN baseada em elementos spintrônicos (ou seja, eletrônicos de spin) com alta eficiência energética.
IRMENs
Esta célula, apresentada em um
artigo pré-publicado no arXiv, pode ser usada como uma unidade de computação neural.
As células propostas pelos pesquisadores, chamadas de Inverse Rashba-Edelstein Magnetoelectric Neurons (
IRMENs), se assemelham a células padrão de redes neurais celulares em que são baseadas em um capacitor, mas em células
IRMEN, o capacitor representa um mecanismo de entrada em vez de um estado verdadeiro .
Para garantir que as células
CeNN sejam capazes de sustentar as operações complexas normalmente realizadas pelas
CNNs, os pesquisadores também propuseram o uso de uma rede neural de circuito duplo.
Simulações
A equipe realizou uma série de simulações usando
HSPICE e
Matlab para determinar se suas
spintronic memory cells poderiam melhorar o desempenho, a velocidade e a eficiência energética de uma rede neural em uma tarefa de classificação de imagens.
Nestes testes, as células
IRMEN superaram as implementações puramente baseadas em carga da mesma rede neural, consumindo 100 pJ no total por imagem processada.
"O desempenho dessas células é simulado em uma
CeNN-accelerated CNN, realizando classificação de imagens", escreveram os pesquisadores em seu artigo.
Spintronic memory cells
"As
spintronic memory cells reduzem significativamente o consumo de energia e tempo em relação às baseadas em carga, precisando apenas de 100 pJ e 42 ns para computar todas as camadas
CNN totalmente conectadas, mantendo uma alta precisão."
Essencialmente, em comparação com as vistas anteriormente, as células
IRMEN são capazes de representar uma carga substancial de energia e tempo.
Por exemplo, uma versão baseada em carga ao mesmo título
CeNN usado pelos pesquisadores precisaram de mais de 12 nJ para calcular todos os estágios de convolução, agrupamento e ativação, enquanto o
IRMEN CeNN precisa de menos de 0,14.
Computação neuromórfica e computação CMOS
"Com a crescente importância da computação neuromórfica e além da computação CMOS, a busca por novos dispositivos para preencher esses papéis é crucial", concluíram os pesquisadores em seu artigo.
"Propusemos um novo elemento de memória analógico magnoelétrico com uma função de transferência incorporada que também permite que ele atue como a célula em um
CeNN."
As descobertas reunidas por esta equipe de pesquisadores sugerem que a aplicação da
spintronic memory cells na computação neuromórfica poderia ter vantagens notáveis.
No futuro, as células de memória
IRMEN propostas em seu artigo poderiam ajudar a melhorar o desempenho, a velocidade e a eficiência energética das redes neurais convolucionais em uma variedade de tarefas de classificação.
Para um conteúdo mais completo acesse:
https://phys.org/news/2019-06-chip-energy.html
Fonte:
Por Ingrid Fadelli , Tech Xplore.
Referência:
Se gostarem do conteúdo dêem um joinha 👍 na página do Código Fluente no
Facebook
Link do código fluente no Pinterest
Novamente deixo meus link de afiliados:
Obrigado, até o próximo artigo. ;)
