一种支持基于脉冲视网膜在线学习的28纳米卷积神经形态处理器
神经与进化计算
2020-05-14 v1 新兴技术
图像与视频处理
摘要
为尝试遵循生物信息表示与组织原理，神经形态工程领域通常采取自下而上的方法，从生物物理模型到硅基大规模集成。尽管作为认知计算与神经科学的实验平台十分理想，但相比于针对实际问题的专用神经网络加速器，自下而上的神经形态处理器尚未展现出效率优势。自上而下的方法旨在解决这一困难：（i）从应用问题出发；（ii）研究如何使相关算法在硬件上高效且具备生物合理性。为利用基于脉冲的神经形态视网膜的数据稀疏性以用于自适应边缘计算与视觉应用，我们采取自上而下方法并提出SPOON，一种28纳米事件驱动CNN（eCNN）。它通过生物合理的直接随机目标投影（DRTP）算法嵌入在线学习，仅带来16.8%的功耗和11.8%的面积开销。在0.6V下每次分类能耗为313nJ、面积为0.32-mm，在MNIST上分别达到95.3%（片上训练）和97.5%（片外训练）的准确率，我们证明SPOON在嵌入片上学习并与基于事件的传感器兼容的同时，达到了传统机器学习加速器的效率，我们进一步通过N-MNIST基准测试强调了这一点。
引用
@article{arxiv.2005.06318,
title = {A 28-nm Convolutional Neuromorphic Processor Enabling Online Learning with Spike-Based Retinas},
author = {Charlotte Frenkel and Jean-Didier Legat and David Bol},
journal= {arXiv preprint arXiv:2005.06318},
year = {2020}
}
备注
Accepted for presentation at the IEEE International Symposium on Circuits and Systems (ISCAS) 2020