神京：一种具有部分和脉冲片上网络的可重构低功耗神经形态加速器
新兴技术
2019-12-02 v1 硬件体系结构
神经与进化计算
摘要
下一波设备端 AI 很可能需要高能效的深度神经网络。受脑启发的脉冲神经网络（SNN）已被认为是一个有前景的候选者。摒弃乘法器的需求显著降低了能耗。对于设备端应用，除计算外，通信也会带来大量的能耗与时间开销。本文中，我们提出神京（Shenjing），一种可配置的 SNN 架构，其将全部片上通信完全暴露给软件，从而能够以低功耗、高精度实现 SNN 模型的软件映射。与 TrueNorth 等先前的 SNN 架构不同，神京在映射时不需要任何模型修改与重训练。我们展示了传统的神经网络（ANN），如多层感知机、卷积神经网络以及最新的残差神经网络，均可成功映射到神京上，以 SNN 的能效实现 ANN。对于使用多层感知机的 MNIST 推理问题，我们仅用 10 个神京核心、消耗 1.26mW 便达到了 96% 的准确率。
引用
@article{arxiv.1911.10741,
title = {Shenjing: A low power reconfigurable neuromorphic accelerator with partial-sum and spike networks-on-chip},
author = {Bo Wang and Jun Zhou and Weng-Fai Wong and Li-Shiuan Peh},
journal= {arXiv preprint arXiv:1911.10741},
year = {2019}
}