Eine reduzierte Architektur von spiking Neuralen Netzwerken für energieeffiziente, kontextabhängige verstärkende Lernaufgaben

Neuromorphe Schaltungen und Systeme, die spiking neuronale Netzwerke (SNN) umfassen, haben disruptive Fortschritte in der Leistung/Joule für relevante Anwendungen hervorgebracht. In dieser Arbeit wird eine neuartige digitale Hardwarearchitektur für verstärkendes Lernen (RL) vorgestellt, die Verbesserungen des Energieverbrauchs durch drei grundlegende Techniken erreicht: Die ersten beiden Techniken umfassen die Reduktion der Komplexität der arithmetischen Einheit zur Optimierung von wiederkehrenden Synapsen- und Neuronen-Kernen im Netzwerk-Array, inspiriert von der "kruden" Natur der Bausteine in biologischen Neuronen, die toleranter gegenüber Ungenauigkeit und Rauschen sind. Als dritte Technik wird die RL SNN-Mittelschicht (Hippocampus) mit einem einfachen Scratchpad ausgestattet, um temporale Hysterese in der synaptischen Plastizität während der RL-Prozesse der langfristigen Potenzierung/Dämpfung (LTP / LTD) zu erleichtern. Dieses Merkmal ist inspiriert vom nicht-temperamentalen Verhalten biologischer Synapsen. Die intelligente Zuweisung reduziert die Lernzeit in einer gegebenen Aufgabe erheblich. Die Implementierung auf dem Intel Cyclone IV FPGA zeigte signifikante Vorteile in Kosten, Leistungsaufnahme und Ausführungszeit, was zu mehr als zwei Größenordnungen Nutzen im Energieverbrauch für eine kontextabhängige Lernaufgabe in einem 16-Knoten-3-Schichten-RL-Netzwerk führte, das in der Literatur präsentiert wurde.