A Linear Implementation of an Analog Resonate-and-Fire Neuron

Resumen Técnico: Una Implementación Lineal de una Neurona de Resonancia y Disparo (Resonate-and-Fire) Analógica

Planteamiento del Problema
La dinámica oscilatoria ha emergido como un principio poderoso en el aprendizaje automático, particularmente dentro de los Modelos de Espacio de Estados (SSM) que utilizan recurrencias lineales estructuradas para un procesamiento temporal eficiente de largo alcance. Si bien las neuronas de Resonancia y Disparo (RAF, por sus siglas en inglés) ofrecen un marco de impulsos (spiking) que encarna naturalmente estas dinámicas oscilatorias, las implementaciones analógicas previas enfrentaron desafíos significativos. Los primeros circuitos RAF analógicos dependían de un acoplamiento no lineal (a menudo inspirado en osciladores de Lotka–Volterra), lo que los hacía sensibles a las variaciones del proceso, el desajuste de los dispositivos y las fluctuaciones de temperatura. Además, estos diseños no lineales no podían modelar directamente las ecuaciones de recurrencia lineal centrales en los SSM modernos. Por el contrario, las implementaciones digitales, aunque robustas, carecen de la eficiencia energética de la señalización analógica. Existe la necesidad de una neurona RAF analógica que se alinee con los principios lineales de los SSM, manteniendo al mismo tiempo la eficiencia energética y la expresividad de la comunicación basada en impulsos.

Metodología
Los autores proponen una implementación analógica lineal de una neurona RAF fabricada en tecnología de Silicio sobre Aislante de Depleción Total (FDSOI) de 22 nm. El diseño tiene como objetivo reproducir fielmente la dinámica de los SSM en tiempo continuo descrita por la ecuación $\dot{x}(t) = A_{RAF}x(t) + B_{RAF}I(t)$, donde el vector de estado consiste en dos variables, $u$ y $v$.

La arquitectura del circuito emplea un enfoque modular con dos componentes primarios:

1. Amplificadores de Transconductancia Lineales (TCA): Para lograr un acoplamiento lineal entre las dos variables de estado ($u$ y $v$), el diseño utiliza TCAs de accionamiento de sustrato (bulk-driven) en cascada. Esta topología fue seleccionada para proporcionar una alta linealidad y una alta impedancia de salida sobre un amplio rango de voltaje (0 V a 0.8 V) sin requerir grandes resistencias de cola. La transconductancia ($g_m$), que determina la frecuencia de resonancia ($\omega$), se sintoniza mediante una corriente de polarización ($I_{bias}$).
2. Circuitos de Capacitancia Conmutada (SC): Para implementar el decaimiento intrínseco (constantes de tiempo $\tau_u, \tau_v$) de los estados, los autores utilizan circuitos SC en lugar de transistores en subumbral con polarización DC. Este enfoque reduce el desajuste y mantiene la fidelidad al decaimiento exponencial ideal. Las constantes de tiempo son programables ajustando la frecuencia de conmutación ($f_{SC}$).

Los autores reconocen que la impedancia de salida finita de los TCA introduce una ruta de fuga parásita que modula las constantes de tiempo efectivas, particularmente a corrientes de polarización más altas. Para abordar esto, emplean un enfoque de co-diseño: las no idealidades del circuito (incluyendo la varianza de la linealidad del TCA y la compresión de la constante de tiempo) son caracterizadas e integradas en un modelo de comportamiento compacto para simulaciones a nivel de sistema.

Contribuciones Clave

• Circuito RAF Analógico Lineal: La introducción de una neurona RAF de 22 nm FDSOI que acopla linealmente las variables de estado, alineándose directamente con los principios de los SSM, a diferencia de los diseños analógicos no lineales previos.
• Caracterización del Circuito: Análisis detallado de la linealidad del TCA y los mecanismos de decaimiento SC, demostrando un rango de frecuencia de resonancia de 100 Hz a 500 kHz y constantes de tiempo sintonizables de 1 ms a 500 ms.
• Co-diseño Consciente del Hardware: Una metodología que cierra la brecha entre los modelos matemáticos ideales y las no idealidades físicas del circuito al incorporar desviaciones medidas (desajuste, errores de linealidad, ruido) en las simulaciones a nivel de sistema.
• Eficiencia Energética: El diseño logra un consumo de potencia ultra bajo, que oscila entre 1.6 nW y 132.6 nW, dependiendo de la frecuencia de resonancia y la corriente de polarización requeridas.

Resultados

• Rendimiento del Circuito: El circuito logra un gran rango dinámico para las frecuencias de resonancia y las constantes de tiempo. El consumo de potencia escala linealmente con la corriente de polarización ($I_{bias}$), con una pendiente de 16.5 nW/nA. El área es de 6524 $\mu m^2$.
• Evaluación a Nivel de Sistema: Los autores evaluaron el circuito en una tarea de detección de palabras clave utilizando el conjunto de datos Spiking Heidelberg Digits (SHD). Simularon cinco niveles de conciencia de hardware, progresando desde un modelo matemático ideal hasta un modelo totalmente calibrado por hardware que incluye la no linealidad del TCA, el desajuste de los dispositivos y el ruido.
• Precisión: Los resultados muestran que las no idealidades del circuito analógico no obstaculizan significamente el rendimiento. La precisión de clasificación disminuyó solo un 1.5% (de 93.4% en el modelo ideal a 91.9% en el modelo totalmente calibrado por hardware), demostrando la robustez de la neurona RAF incluso con imperfecciones analógicas.

Significancia
El artículo establece a las neuronas RAF como primitivas computacionales robustas y energéticamente eficientes para el hardware neuromórfico. Al mapear con éxito las características de un circuito analógico lineal en una simulación a nivel de sistema, el trabajo demuestra que las implementaciones analógicas pueden soportar eficazmente arquitecturas de aprendizaje automático modernas como los SSM. Los autores afirman que este enfoque de co-diseño permite que el hardware permanezca consistente con las expectativas algorítmicas, validando el uso de neuronas RAF analógicas para tareas de procesamiento de señales en tiempo real, como la detección de palabras clave. El trabajo sugiere que estas neuronas pueden servir como un puente, inspirado biológicamente pero eficiente en hardware, entre las oscilaciones continuas y las redes de impulsos discretos.