Faltung Netzwerke für schnelles, energieeffizientes neuromorphes Computing

Tiefe Netzwerke sind heute in der Lage, menschenähnliche Leistungen bei einer breiten Palette von Erkennungsaufgaben zu erreichen. Unabhängig davon hat neuromorphes Computing durch eine neue Chip-Architektur basierend auf spikenden Neuronen, Synapsen mit niedriger Präzision und einem skalierbaren Kommunikationsnetzwerk eine beispiellose Energieeffizienz demonstriert. Hier zeigen wir, dass neuromorphes Computing trotz seiner neuartigen architektonischen Grundelemente tiefe Faltungsnetzwerke implementieren kann, die (i) eine annähernd state-of-the-art Klassifikationsgenauigkeit über acht Standarddatensätze aus den Bereichen Vision und Sprache erreichen, (ii) die Inferenz ausführen und dabei die zugrundeliegende Energieeffizienz und den hohen Durchsatz der Hardware bewahren, wobei sie auf den genannten Datensätzen mit einer Geschwindigkeit zwischen 1.200 und 2.600 Bildern/Sekunde laufen und zwischen 25 und 275 mW verwenden (effektiv >6.000 Bilder/Sekunde pro Watt), und (iii) mit Backpropagation spezifiziert und trainiert werden können, ebenso einfach wie zeitgenössliches Deep Learning. Dieser Ansatz erlaubt es, die algorithmische Leistungsfähigkeit des Deep Learning mit der Effizienz neuromorpher Prozessoren zu verbinden und bringt das Versprechen eingebetteter, intelligenter, gehirninspirierter Rechner einen Schritt näher.