RESPARC：一种基于忆阻交叉阵列、面向深度脉冲神经网络的可重构高能效架构
新兴技术
2017-02-21 v1 神经与进化计算
摘要
使用后 CMOS 技术的神经形态计算因其解决冯·诺依曼计算系统中内存和功耗瓶颈的潜力而获得极大关注。在本文中，我们提出 RESPARC——一种构建于忆阻交叉阵列 (MCA) 之上的、用于深度脉冲神经网络 (SNNs) 的可重构高能效架构。先前的工作主要集中于 SNN 在交叉阵列上的器件与电路实现。RESPARC 通过提出一个用于 SNN 加速及其后续分析的完整系统推进了这一点。RESPARC 利用 MCA 的能效进行内积计算，并实现了一种分层可重构设计，以可扩展的方式纳入 SNN 中的数据流模式。我们在不同复杂度的 SNN 上评估所提架构，其规模从 2k-230k 个神经元和 1.2M-5.5M 个突触不等。在这些网络上的仿真结果表明，与基线数字 CMOS 架构相比，RESPARC 在多层感知机（深度卷积网络）上实现了 500X (15X) 的能效提升和 300X (60X) 的更高吞吐量。此外，RESPARC 是一种技术感知架构，将给定的 SNN 拓扑映射到给定交叉阵列技术的最优化 MCA 尺寸。
引用
@article{arxiv.1702.06064,
title = {RESPARC: A Reconfigurable and Energy-Efficient Architecture with Memristive Crossbars for Deep Spiking Neural Networks},
author = {Aayush Ankit and Abhronil Sengupta and Priyadarshini Panda and Kaushik Roy},
journal= {arXiv preprint arXiv:1702.06064},
year = {2017}
}
备注
6 pages, 14 figures, Accepted in Design Automation Conference, 2017