고도로 유연한 FPGA 아키텍처를 활용한 효율적인 엣지 스파이킹 신경망 가속

스파이킹 신경망(SNN)은 기존의 고전적 인공 신경망(ANN)이 수행하는 작업을 더 빠르고, 더 작은 풋프린트에서, 더 적은 에너지를 사용하여 수행할 것을 약속합니다. 뉴로모픽 프로세서는 대규모 컴퓨팅 혁신을 목표로 하지만, 엣지 컴퓨팅 애플리케이션으로의 전환은 보다 효율적인 시스템을 향한 지속적인 추진을 위해 세밀하게 조정된 커스텀 구현이 필요합니다. 이를 위해, 우리는 FPGA 플랫폼에서 스파이킹 뉴런 모델을 실행하기 위한 아키텍처 설계 공간을 조사하였고, 초저전력 소비와 면적 달성을 목표로 하였습니다. 이 작업은 시냅스 처리를 위한 깊은 파이프라인과 가중치 및 뉴런 상태를 위한 분산 메모리에 의존하는 완전 연결 코어와 2D 컨볼루션 코어 구현에 사용되는 효율적인 클록 구동 스파이킹 뉴런 아키텍처를 제시합니다. 이를 통해, MNIST 데이터셋에서 훈련된 LeNet-5 네트워크의 SNN 버전을 위한 가속기를 개발하였습니다. 약 5.5 슬라이스/뉴런과 단 348 mW로, 현재의 최첨단 구현에 비해 뉴런당 33% 적은 면적과 4배 적은 전력을 사용하면서도 낮은 시뮬레이션 단계 시간을 유지할 수 있습니다.