Uma Arquitetura SNN Baseada em STDP Eficiente em Energia com Aprendizado em Chip

Neste artigo, propomos um método de aprendizado não supervisionado baseado em tempos de disparo usando plasticidade dependente do tempo de disparo (STDP). É proposta uma regra de aprendizado linear simplificada em STDP para atualizações de peso eficientes em energia. Para reduzir cálculos desnecessários para os valores de disparo de entrada, um mecanismo de parada da passagem para frente é introduzido na passagem para frente. Além disso, um esquema de quantização de entrada amigável ao hardware é utilizado para reduzir a complexidade computacional tanto na fase de codificação quanto na passagem para frente. Construímos uma rede neural espinhosa (SNN) totalmente conectada de duas camadas com base no método proposto. Comparado a SNNs baseados em taxa gerais treinados por STDP, o método proposto reduz a complexidade da arquitetura da rede (uma camada inibitória extra não é necessária) e os cálculos das atualizações de peso sináptico. De acordo com a simulação de ponto fixo com pesos sinápticos de 9 bits, a SNN proposta com 6144 neurônios excitadores atinge 96% de precisão de reconhecimento no conjunto de dados MNIST sem qualquer supervisão. Um processador SNN que contém 384 neurônios excitadores com capacidade de aprendizado em chip é projetado e implementado com tecnologia CMOS de 28 nm baseada nos métodos de baixa complexidade propostos. O processador SNN atinge uma precisão de 93% no conjunto de dados MNIST. Os resultados da implementação mostram que o processador SNN alcança um throughput de 277,78k FPS com consumo de energia de 0,50~ J/inferência em modo de inferência, e um throughput de 211,77k FPS com consumo de energia de 0,66~ J/aprendizado em modo de aprendizado.