Heterogeneous SoC Integrating an Open-Source Recurrent SNN Accelerator for Neuromorphic Edge Computing on FPGA
Dieser Beitrag stellt einen heterogenen, auf FPGA basierenden System-on-Chip vor, der den Open-Source-Rekurrenten Spiking-Neural-Network-Beschleuniger ReckOn mit RISC-V- und ARM-Prozessoren integriert, um effizientes, stromsparendes neuromorphes Edge-Computing zu ermöglichen, was durch Äquivalenz der Genauigkeit mit einem in Silizium realisierten Chip und die Leistungsfähigkeit beim Online-Lernen auf einem Braille-Ziffern-Datensatz validiert wurde.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie haben ein sehr spezielles, winziges Gehirn aus Siliziumchips. Dies ist kein normales Gehirn, das in Worten denkt; es ist ein Spiking Neural Network (SNN). Stellen Sie es sich wie einen Raum voller Glühwürmchen vor. Anstatt zu sprechen, kommunizieren sie, indem sie ihre Lichter (Spikes) gegeneinander aufleuchten lassen. Wenn genügend Glühwürmchen in einem Muster aufleuchten, „entscheidet" der Raum etwas, wie etwa die Erkennung einer Form oder eines Sounds.
Dieser Artikel handelt vom Bau eines Zuhauses für diese Glühwürmchen, das günstig, flexibel und einfach zu errichten ist, damit Forscher nicht Millionen von Dollar ausgeben müssen, um sie auf permanenten Siliziumchips zu drucken.
Hier ist die Aufschlüsselung ihrer Arbeit mit einfachen Analogien:
1. Das Problem: Das „Maßanfertigungsauto" vs. das „Lego-Set"
Normalerweise müssen Sie, wenn Sie einen hocheffizienten Gehirnchip bauen wollen, eine maßgefertigte „Silizium-Ausgabe" (Custom Silicon Tape-out) bestellen. Dies ist wie die Bestellung eines maßgefertigten Autochassis aus einer Fabrik. Es ist teuer, dauert lange, und sobald es hergestellt ist, können Sie nichts mehr ändern. Wenn Sie einen Fehler gemacht haben, müssen Sie das ganze Ding verschrotten.
Die Autoren sagen: „Lassen Sie uns stattdessen FPGAs verwenden."
- Die Analogie: Ein FPGA ist wie ein riesiges Lego-Set. Sie können einen Gehirnschaltkreis bauen, testen, auseinandernehmen und in Minuten anders wiederaufbauen. Es ist günstig und perfekt, um Ideen zu testen, bevor man sich für die teure „Maßanfertigungsauto"-Fabrik entscheidet.
2. Der Star-Spieler: „ReckOn"
Das Team verwendet ein spezifisches Gehirndesign namens ReckOn.
- Was es tut: Es ist ein „rekurrentes" Gehirn, was bedeutet, dass es ein Gedächtnis hat. Es betrachtet nicht nur ein einzelnes Bild; es erinnert sich daran, was es einen Moment zuvor gesehen hat. Das ist großartig für Dinge, die über die Zeit hinweg geschehen, wie das Lesen von Braille oder das Hören eines Satzes.
- Die Superkraft: Es kann lernen, während es arbeitet (Online-Lernen). Es ist wie ein Schüler, der für eine Prüfung lernt, während er die Prüfung schreibt, und mit jeder Frage klüger wird.
3. Die zwei Manager: Wer führt das Regiment?
Ein Gehirnchip (ReckOn) ist großartig im Denken, benötigt aber einen Manager, der ihm sagt, was zu tun ist, die Daten lädt und die Antworten überprüft. Der Artikel testet zwei verschiedene Manager, um zu sehen, welcher auf ihrem Lego-Set (FPGA) am besten funktioniert.
Manager A: Der RISC-V-Mikrocontroller (X-HEEP)
- Die Analogie: Dies ist wie ein dedizierter Vorarbeiter, der direkt neben der Baustelle wohnt.
- Wie es funktioniert: Es ist ein kleiner, quelloffener Computerchip, der direkt auf dasselbe Lego-Brett gebaut ist. Er spricht direkt mit dem Gehirn über eine einfache „Handshake"-Verbindung (SPI-Schnittstelle).
- Vorteile: Es ist sehr effizient und stromsparend.
- Nachteile: Es hat einen kleinen Speicher. Es kann nur wenige „Lernkarten" (Datensätze) gleichzeitig halten. Wenn Sie ihm ein riesiges Buch beibringen wollen, geht ihm der Platz aus.
Manager B: Der ARM-Prozessor (Zynq SoC)
- Die Analogie: Dies ist wie ein Projektmanager, der in einem großen Büro mit einer riesigen Bibliothek sitzt und über eine Autobahn mit hoher Geschwindigkeit (AXI-Bus) mit der Baustelle verbunden ist.
- Wie es funktioniert: Dies ist der leistungsfähige Prozessor, der in vielen Entwicklungsbrettern zu finden ist. Er führt ein vollständiges Betriebssystem (Linux) aus. Er kann riesige Datensätze in seinem „Büro" speichern und bei Bedarf Datenbatches an den Gehirnchip senden.
- Vorteile: Er kann riesige Datensätze (wie den Braille-Datensatz) bewältigen, weil er einen großen Speicherpuffer hat.
- Nachteile: Er verbraucht etwas mehr Ressourcen des Lego-Bretts, da das „Büro" direkt in das Brett integriert ist.
4. Die Probefahrt: Hat es funktioniert?
Das Team baute beide Versionen auf einem echten FPGA-Brett (dem PYNQ-Z2) und unterzog sie zwei Tests.
Test 1: Die „Binäre Navigation" (Der Kontrolltest)
- Die Aufgabe: Sie baten das System, eine einfache Labyrinthaufgabe zu lernen (links oder rechts abbiegen basierend auf visuellen Hinweisen), die bereits auf einem echten, teuren Siliziumchip getestet worden war.
- Das Ergebnis: Die Lego-Versionen (sowohl der Vorarbeiter als auch der Projektmanager) erzielten exakt die gleiche Punktzahl wie der teure Siliziumchip (ca. 96 % Genauigkeit).
- Das Fazit: Die günstige, flexible Lego-Version ist genauso schlau wie die teure maßgefertigte Version.
Test 2: Der „Braille-Leser" (Die neue Herausforderung)
- Die Aufgabe: Sie lehrten das System, Braille-Ziffern (Punkte auf einer Seite) zu lesen, indem sie einen Sensor darüber gleiten ließen. Dies ist eine schwierigere Aufgabe, da sie das Fühlen eines Musters über die Zeit hinweg beinhaltet.
- Das Setup: Sie verwendeten die Projektmanager (ARM)-Version, da die Braille-Daten für den kleinen Speicher des Vorarbeiters zu groß waren.
- Das Ergebnis:
- Beim Lernen von 3 Buchstaben (A, E, U) lag es bei 90 % richtig.
- Beim Lernen von 4 Buchstaben (A, E, U, Leerzeichen) lag es bei 78,8 % richtig.
- Beim Lernen einer anderen Gruppe von 4 Buchstaben (A, E, O, U) lag es bei 60 % richtig.
- Das Fazit: Das System lernte erfolgreich, Braille auf der Stelle zu lesen, und bewies damit, dass es reale, komplexe Daten bewältigen kann.
Zusammenfassung
Der Artikel zeigt, dass Sie kein Vermögen ausgeben müssen, um fortschrittliche, lernfähige Gehirnchips zu bauen. Durch die Verwendung von FPGAs (dem Lego-Set) und die Kopplung eines Gehirn-Beschleunigers (ReckOn) mit entweder einem kleinen Mikrocontroller oder einem leistungsfähigen Prozessor können Sie ein System erstellen, das:
- Genau so präzise ist wie teure maßgefertigte Chips.
- Neue Dinge sofort lernen kann (wie das Lesen von Braille).
- Flexibel genug ist, um leicht geändert und verbessert zu werden.
Sie haben erfolgreich bewiesen, dass dieser „quelloffene" Ansatz funktioniert und neuromorphes Computing (Computing, das das Gehirn nachahmt) für alle zugänglicher macht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.