Key points are not available for this paper at this time.
Resumo Processadores neuromórficos de sinal misto fornecem operação de muito baixo consumo de energia para cargas de trabalho de inferência na borda, aproveitando a computação assíncrona esparsa dentro de redes neurais com pulsos (SNNs). No entanto, implantar aplicações robustas nesses dispositivos é complicado pela controlabilidade limitada sobre os parâmetros do hardware analógico, bem como variações indesejadas nos parâmetros e dinâmicas dos circuitos analógicos devido a não idealidades de fabricação. Aqui, demonstramos uma nova metodologia para treinamento e implantação offline de SNNs no processador neuromórfico de sinal misto DYNAP-SE2. Nossa metodologia aplica treinamento baseado em gradiente a uma simulação diferenciável do dispositivo de sinal misto, acoplada a um método de quantização de pesos não supervisionado para otimizar os parâmetros da rede. A injeção de ruído nos parâmetros durante o treinamento fornece robustez aos efeitos de quantização e desajuste do dispositivo, tornando o método um candidato promissor para aplicações no mundo real sob restrições de hardware e não idealidades. Este trabalho estende o Rockpool, uma biblioteca de aprendizado profundo de código aberto para SNNs, com suporte para simulação precisa das dinâmicas de SNN de sinal misto. Nossa abordagem simplifica o processo de desenvolvimento e implantação para a comunidade neuromórfica, tornando processadores neuromórficos de sinal misto mais acessíveis a pesquisadores e desenvolvedores.
Cakal et al. (qui,) estudaram essa questão.