#今日论文推荐# 能效提高4到16倍,英特尔团队开发神经形态硬件
基于尖峰的神经形态硬件的开发,有望实现比 GPU 等标准硬件更节能的深度神经网络 (DNN)。但这需要了解如何在基于事件的稀疏触发机制中模拟 DNN,否则会失去能量优势。特别是,解决序列处理任务的 DNN 通常使用长短期记忆单元,这些单元很难用很少的尖峰来模拟。
近日,英特尔实验团队和格拉茨工业大学(TU Graz)理论计算机科学研究所的研究人员公布的一项研究表明,参考许多生物神经元的一个现象,每个尖峰后的超极化后电流缓慢,这提供了一种有效的解决方案。后超极化电流可以很容易地在支持多室神经元模型的神经形态硬件中实现,例如英特尔的 Loihi 芯片。
滤波器逼近理论解释了为什么超极化后神经元可以模拟长短期记忆单元的功能。这产生了一种高能效的时间序列分类方法。此外,它为高效执行一类重要的大型 DNN 提供了基础,这些 DNN 提取单词和句子之间的关系以回答有关文本的问题。
该研究以「A Long Short-Term Memory for AI Applications in Spike-based Neuromorphic Hardware」为题,于 2022 年 5 月 19 日发布在《Nature Machine Intelligence》。
论文题目:A Long Short-Term Memory for AI Applications in Spike-based Neuromorphic Hardware
详细解读:https://www.aminer.cn/research_report/6295c1f67cb68b460fc6a145?download=falsehttps://www.aminer.cn/research_report/6295c1f67cb68b460fc6a145?download=false
AMiner链接:https://www.aminer.cn/?f=cs