Core Concepts
QUANTISENC는 신경형 컴퓨팅 연구를 발전시키기 위해 완전히 구성 가능한 오픈 소스 소프트웨어 정의 디지털 양자화 스파이킹 신경 코어 아키텍처를 소개한다.
Abstract
QUANTISENC는 하향식 방법론을 사용하여 각 층에 여러 뉴런과 각 코어에 여러 층을 가진 계층적으로 설계되었다. 층 수와 층당 뉴런 수는 소프트웨어를 통해 구성할 수 있다. QUANTISENC는 누출 통합 및 발사 뉴런(LIF)과 전류 기반 흥분성 및 억제성 시냅스(CUBA)를 사용한다. 뉴런의 비선형 동력학은 내부 제어 레지스터를 프로그래밍하여 런타임에 구성할 수 있다. 각 뉴런은 사용자 정의 양자화 및 소수점 정밀도를 사용하여 부호 있는 고정 소수점 산술을 수행한다. QUANTISENC는 모든 대 대, 일대일 및 가우시안 연결을 지원한다. 하드웨어-소프트웨어 인터페이스는 PyTorch 기반 SNN 시뮬레이터와 통합되어 PyTorch에서 SNN 모델을 정의하고 훈련할 수 있으며 FPGA 프로토타이핑 및 ASIC 설계를 통해 하드웨어 성능을 평가할 수 있다. 하드웨어-소프트웨어 인터페이스는 QUANTISENC의 계층 기반 아키텍처와 분산 메모리 구성을 활용하여 스트리밍 데이터의 계산을 중첩하는 파이프라이닝을 가능하게 한다. 전반적으로 제안된 소프트웨어 정의 하드웨어 설계 방법론은 고수준 합성(HLS)과 유사한 유연성을 제공하지만 하드웨어 개발 노력 없이 더 나은 하드웨어 성능을 제공한다. 우리는 세 가지 스파이킹 데이터세트를 사용하여 QUANTISENC를 평가하고 최신 설계에 비해 우수한 성능을 보여준다.
Stats
스파이킹 MNIST 데이터셋에 대한 QUANTISENC의 정확도는 16비트 양자화 및 7비트 소수점 정밀도(Q9.7)에서 97.1%이고, 8비트 양자화 및 3비트 소수점 정밀도(Q5.3)에서 96.5%이다.
QUANTISENC의 단일 뉴런 구현은 108개의 LUT와 23개의 FF를 사용하며, 50mW의 동적 전력을 소비한다.
QUANTISENC의 기본 구성(256x128x10)은 Virtex UltraScale FPGA에서 48,246개의 LUT(8.97%), 10,550개의 FF(0.98%), 69개의 BRAM(3.99%)을 사용하며, 623mW의 동적 전력을 소비한다.
Quotes
"QUANTISENC는 신경형 컴퓨팅 연구를 발전시키기 위해 완전히 구성 가능한 오픈 소스 소프트웨어 정의 디지털 양자화 스파이킹 신경 코어 아키텍처를 소개한다."
"QUANTISENC는 계층 기반 아키텍처와 분산 메모리 구성을 활용하여 스트리밍 데이터의 계산을 중첩하는 파이프라이닝을 가능하게 한다."
"전반적으로 제안된 소프트웨어 정의 하드웨어 설계 방법론은 고수준 합성(HLS)과 유사한 유연성을 제공하지만 하드웨어 개발 노력 없이 더 나은 하드웨어 성능을 제공한다."