Спайковые нейронные сети (SNN) обеспечивают эффективный вычислительный механизм для обработки временных сигналов, особенно в сочетании со специализированными интегральными схемами (ASIC) для энергоэффективного вывода SNN. Исторически SNN было трудно настраивать из-за отсутствия общего метода поиска решений для произвольных задач. В последние годы методы оптимизации на основе градиентного спуска все чаще и успешнее применяются к SNN. Таким образом, SNN и процессоры для их вывода предлагают хорошую платформу для коммерческой обработки сигналов с низким энергопотреблением в условиях ограниченной энергии и без зависимости от облачных сервисов. Однако до сих пор эти методы не были доступны инженерам по машинному обучению (ML) в промышленности, требуя подготовки на уровне выпускника вуза для успешной настройки даже одного SNN-приложения. Здесь мы демонстрируем удобный высокоуровневый конвейер для проектирования, обучения и развертывания приложений обработки произвольных временных сигналов на аппаратное обеспечение для вывода SNN с потреблением менее мВт. Мы применяем новую простую архитектуру SNN, разработанную для обработки временных сигналов, используя "пирамиду" синаптических постоянных времени для извлечения особенностей сигнала в различных временных масштабах. Мы демонстрируем эту архитектуру на задаче классификации фонового аудио, развернутой на процессоре Xylo для вывода SNN в потоковом режиме. Наше приложение достигает высокой точности (98%) и малой задержки (100 мс) при низком энергопотреблении (<100 мкВт динамической мощности при выводе). Наш подход делает обучение и развертывание SNN-приложений доступными для инженеров ML с общим опытом работы с нейронными сетями, без необходимости предварительного специфического опыта работы со спайковыми сетями. Мы надеемся, что наш подход сделает нейроморфное оборудование и SNN привлекательным выбором для коммерческих приложений обработки сигналов с низким энергопотреблением и на периферийных устройствах.
*Перевод выполнен с помощью нейросетей
Low-Power Low-Latency Keyword Spotting and Adaptive Control with a SpiNNaker 2 Prototype and Comparison with Loihi
We implemented two neural network based benchmark tasks on a prototype chip of the second-generation SpiNNaker (SpiNNaker 2) neuromorphic system: keyword spotting and adaptive robotic control. Keyword spotting is commonly used in smart speakers to listen for wake words, and adaptive control is used in robotic applications to adapt to unknown dynamics in an online fashion. We highlight the benefit of a multiplyaccumulate (MAC) array in the SpiNNaker 2 prototype which is ordinarily used in rate-based machine learning networks when employed in a neuromorphic, spiking context. In addition, the same benchmark tasks have been implemented on the Loihi neuromorphic chip, giving a side-by-side comparison regarding power consumption and computation time. While Loihi shows better efficiency when less complicated vector-matrix multiplication is involved, with the MAC array, the SpiNNaker 2 prototype shows better efficiency when high dimensional vector-matrix multiplication is involved.