展示模拟晶圆级神经形态硬件的优势
神经与进化计算
2024-12-04 v1
摘要
随着数值模拟在规模和复杂性上的增长,它们在时间和能量上变得越来越耗费资源。虽然专用硬件加速器通常能提供数量级的性能提升,并在其他科学领域处于最先进水平,但它们在计算神经科学中的可用性和适用性仍然有限。在该领域,神经形态加速器,特别是像BrainScaleS系统这样的混合信号架构,提供了最显著的性能优势。这些系统保持恒定的、加速的仿真速度,与网络模型和大小无关。这在传统模拟器达到极限时尤其有益,例如在建模复杂神经元动力学、纳入可塑性机制或运行长时间或重复实验时。然而,这些系统的模拟特性引入了新的挑战。本文展示了BrainScaleS-1系统的能力和优势,以及它如何与传统的软件模拟结合使用。我们报告了两种适应神经形态硬件底物的生物启发网络的仿真时间和能量消耗:基于Brunel的平衡随机网络和来自Potjans和Diesmann的皮层微电路。
引用
@article{arxiv.2412.02619,
title = {Demonstrating the Advantages of Analog Wafer-Scale Neuromorphic Hardware},
author = {Hartmut Schmidt and Andreas Grübl and José Montes and Eric Müller and Sebastian Schmitt and Johannes Schemmel},
journal= {arXiv preprint arXiv:2412.02619},
year = {2024}
}