Nos últimos anos, pesquisadores propuseram uma ampla variedade de implementações de hardware para redes neurais artificiais feed-forward. Essas implementações incluem três componentes principais:um motor de produto escalar que pode calcular convolução e operações de camada totalmente conectadas, elementos de memória para armazenar resultados intermediários entre e intra-camadas, e outros componentes que podem calcular funções de ativação não lineares.

Mecanismos de produto ponto, que são essencialmente aceleradores de alta eficiência, até agora foram 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, agora desenvolveu uma célula CeNN baseada em spintrônica (isto é, spin eletrônico) elementos com alta eficiência energética. Esta célula, apresentado em um artigo pré-publicado no arXiv, pode ser usado como uma unidade de computação neural.

As células propostas pelos pesquisadores, chamados neurônios magnetoelétricos inversos de Rashba-Edelstein (IRMENs), assemelham-se a células padrão de redes neurais celulares no sentido de 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 por CNNs, os pesquisadores também propuseram o uso de uma rede neural de circuito duplo.

A equipe realizou uma série de simulações usando HSPICE e Matlab para determinar se suas células de memória spintrônica poderiam melhorar o desempenho, velocidade e 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 CNN acelerada por CeNN realizando classificação de imagens, "os pesquisadores escreveram em seu artigo." As células spintrônicas reduzem significativamente o consumo de energia e tempo em relação às suas contrapartes baseadas em carga, precisando de apenas ≈ 100 pJ e ≈ 42 ns para calcular tudo, exceto a camada CNN totalmente conectada final, mantendo uma alta precisão. "

Essencialmente, em comparação com as abordagens propostas anteriormente, As células IRMEN podem economizar uma quantidade substancial de energia e tempo. Por exemplo, uma versão puramente baseada em carga do mesmo CeNN usado pelos pesquisadores requer mais de 12 nJ para calcular toda a convolução, estágios de pooling e ativação, enquanto o IRMEN CeNN precisa de menos de 0,14.

"Com a crescente importância da computação neuromórfica e além da computação CMOS, a busca por novos dispositivos para preencher essas funções é crucial, "Os pesquisadores concluíram em seu artigo." Propusemos um novo elemento de memória analógica magnoelétrica com uma função de transferência embutida 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 spintrônica na computação neurmórfica pode ter vantagens notáveis. No futuro, as células de memória IRMEN propostas em seu artigo podem ajudar a melhorar o desempenho, velocidade e eficiência energética de redes neurais convolucionais em uma variedade de tarefas de classificação.

© 2019 Science X Network