Core Concepts
ロボットの持続可能性を確保するために、ニューロモーフィックハードウェアはエネルギーと遅延の改善を実現します。
Abstract
I. 序論
ニューロモーフィックコンピューティングはエネルギーと遅延の改善を目指す。
AIシステムのエッジへの移行において、低い消費電力が重要。
II. 方法論
A. シミュレーションセットアップ
ROSとGazeboを使用したNeurorobotics Platformでロボットアームをシミュレート。
B. 強化学習
スパイキング強化学習技術(PopSAN)を使用してロボットアームをトレーニング。
C. ニューロモルフィック・ハードウェア・イン・ザ・ループ
PyTorchでシミュレートされたSNNからLoihiチップにポートされたRLポリシー。
D. 実際のロボットセットアップ
KUKA IIWAアームと6軸FTセンサーを使用した実験セットアップ。
III. 結果
A. トレーニング結果
100%挿入成功率、Loihiチップ上で同等の動作成功率。
B. 実世界でのパフォーマンス
挿入成功率100%、挿入時間比較(シミュレーションvs実際)。
C. 遅延とエネルギー
Loihiチップ上での遅延測定結果、CPUおよびGPUとの比較。
IV. 議論
A. 遅延とエネルギー
ニューロロビクシステムが現実世界応用でも有効であることが検証された。
B. 学習した動き
シリコンニュートライブな動きは無視可能な影響しか与えなかった。
C. アプリケーション固有/ペグイン穴
ペグイン穴タスクに対する学習ポリシー。
D. ニューロロビク展望
ニューロ形成計算は現実世界応用に向けて十分成熟している。
Stats
"我々は2つ以上オ−ダ−マグニチ−ド少ないエナジ−使用量を示しました"
"Loihi 2チップでは1回推論あたり1.5±0.10 ms"
"Edynamic [µJ] = 53 ± 17"