Key points are not available for this paper at this time.
لقد حازت الشبكات العصبية النابضة (SNNs) على اهتمام كبير كبديل محتمل لتقنيات الشبكات العصبية الصناعية التقليدية (ANNs) نظرًا لوجود تنشيط عالي الفراغ فيها بشكل طبيعي. مؤخرًا، حققت SNNs مع طريقة التراجع عبر الزمن (BPTT) نتائج دقة أعلى في مهام التعرف على الصور مقارنةً بخوارزميات تدريب SNN الأخرى. على الرغم من النجاح من وجهة نظر الخوارزمية، أهملت الأعمال السابقة تقييم تكاليف الطاقة للأجهزة المتعلقة بـ BPTT، بسبب نقص منصة تقييم الأجهزة لهذه الخوارزمية التدريبية لـ SNN. علاوة على ذلك، على الرغم من أن SNNs تُعتبر لفترة طويلة بديلاً كفء للطاقة لـ ANNs، إلا أنه يفتقر إلى مقارنة كمية لتكاليف التدريب بين SNNs و ANNs. لمعالجة القضايا المذكورة أعلاه، نقدم في هذا العمل مسرع تعليم واعي بالفراغ (SATA)، وهو مسرع تدريب قائم على BPTT لشبكات SNN. يوفر SATA المقترح هيكلًا لمسرع قائم على السلسلة قابل لإعادة التهيئة، مما يسهل تحليل طاقة التدريب لخوارزميات تدريب SNN المعتمدة على BPTT. من خلال الاستفادة من الفراغ، يزيد SATA من كفاءة طاقة الحساب بنسبة 5.58 مقارنةً بالواحد الذي لا يستخدم الفراغ. استنادًا إلى SATA، نقدم تحليلات كمية لكفاءة طاقة تدريب SNN ونقوم بمقارنة تكاليف التدريب بين SNN و ANNs. تُظهر النتائج أنه على معمارية قائمة على السلسلة مثل Eyeriss، تستهلك SNNs طاقة إجمالية أكثر بمعدل 1.27 عند اعتبار الفراغ (النبضات، تدرج دالة الإطلاق، وتدرج الجهد الغشائي) مقارنةً بـ ANNs. نجد أن هذه التكلفة العالية لطاقة التدريب ناتجة عن عمليات التفاف متكررة زمنياً وحركات البيانات أثناء التراجع. علاوة على ذلك، لدفع تصميم خوارزميات تدريب SNN المستقبلية، نقدم العديد من الملاحظات حول كفاءة الطاقة لمعامِلات تدريب محددة لـ SNN ونقترح إطارًا لتقدير الطاقة في تدريب SNN.
دراستهم هذا السؤال من قبل يين وآخرون (Mon).