بررسی فناوری‌های نوین محاسبات نورومورفیک و مدارهای کم‌مصرف برای توسعه سامانه‌های الکترونیکی هوشمند

بررسی فناوری‌های نوین محاسبات نورومورفیک و مدارهای کم‌مصرف برای توسعه سامانه‌های الکترونیکی هوشمند

آرش عزیزپور1 محمدحسین زارعی2 آرمین شکرگفتار3

1) دانشجوی کارشناسی مهندسی برق،گرایش الکترونیک،دانشگاه ملی مهارت استان کرمانشاه،ایران
2) دانشجوی کارشناسی ارشد برق(گرایش افزاره های میکرو و نانو الکترونیک)دانشگاه رازی کرمانشاه،ایران
3) دانشجوی کارشناسی ارشد برق(گرایش افزاره های میکرو و نانو الکترونیک)دانشگاه رازی کرمانشاه،ایران

کد IOI مقاله : ACFK-ACZKBK
محل انتشار : هشتمین کنگره ملی توسعه علوم و فناوری های نوین ایران(https://www.thcongress.ir/fa/)
چکیده :
    رشد بی‌وقفه حجم کار هوش مصنوعی (AI) در لبه شبکه، محدودیت‌های اساسی محاسبات مرسوم فون نویمان، به‌ویژه هزینه انرژی و تأخیر ناشی از جابجایی مداوم داده‌ها بین واحدهای پردازش و حافظه که از نظر فیزیکی از هم جدا هستند را آشکار کرده است. محاسبات نورومورفیک، یک الگوی میان‌رشته‌ای که از ساختار و پویایی مغز بیولوژیکی الهام گرفته شده است، با قرار دادن همزمان حافظه و محاسبات، برقراری ارتباط از طریق افزایش ولتاژ یا جریان پراکنده و ناهمزمان، و بهره‌برداری از عملیات مبتنی بر رویداد به جای عملیات مبتنی بر ساعت، این تنگنا را برطرف می‌کند. این مقاله مروری جامع بر پیشرفت‌های اخیر در معماری‌های محاسبات نورومورفیک و تکنیک‌های مدار کم‌مصرف ارائه می‌دهد که تحقق فیزیکی آنها را در سیستم‌های الکترونیکی هوشمند مانند مانیتورهای سلامت پوشیدنی، حسگرهای خودکار و گره‌های لبه‌ای اینترنت اشیا (IoT) امکان‌پذیر می‌سازد. ما اصول عملیاتی شبکه‌های عصبی اسپایکی (SNN) و مدل نورونی نشتی یکپارچه‌سازی و شلیک (LIF) را شرح می‌دهیم، تراشه‌های نورومورفیک فوتونی نوظهور دیجیتال، آنالوگ، سیگنال مختلط، ممریستور و نوظهور (از جمله Intel Loihi 2، IBM TrueNorth و NorthPole، SpiNNaker2، BrainScaleS، شتاب‌دهنده‌های کراس‌بار مبتنی بر ممریستور و پردازنده‌های اسپایکی فوتونی مبتنی بر Mach-Zehnder/VCSEL) را بررسی می‌کنیم و استراتژی‌های کم‌مصرف سطح مدار شامل عملکرد CMOS زیرآستانه و نزدیک آستانه، گیتینگ توان، مقیاس‌بندی پویای ولتاژ و فرکانس (DVFS) و محاسبات تقریبی را بررسی می‌کنیم. یک مدار نورون سیناپس کم‌مصرف نمونه در سطح ترانزیستور با استفاده از روش طراحی و شبیه‌سازی استاندارد CMOS طراحی و تحلیل شده است و رفتار تأخیر انرژی آن با پیاده‌سازی‌های دیجیتال مرسوم مقایسه شده است. جداول و نمودارهای مقایسه‌ای، بهره‌وری انرژی (TOPS/W)، توان استاتیک و دینامیک و انرژی به ازای هر عملیات سیناپسی را در پلتفرم‌های مورد بررسی، کمی ‌سازی می‌کنند. یافته‌ها تأیید می‌کنند که مدارهای نورومورفیک دیجیتال آنالوگ هیبریدی ساخته شده در فناوری‌های ممریستور عمیق زیر میکرون و نوظهور می‌توانند به بهبود یک تا سه برابری در بهره‌وری انرژی نسبت به پلتفرم‌های CPU/GPU معمولی برای وظایف استنتاج پراکنده و رویدادمحور دست یابند، ضمن اینکه چالش‌های باز در تغییرپذیری دستگاه، یادگیری روی تراشه و بلوغ زنجیره ابزار نرم‌افزاری را برجسته می‌کنند. این مقاله با بحثی در مورد بده‌ بستان‌های عملی مربوط به استقرار سخت‌افزار نورومورفیک در محصولات الکترونیکی هوشمند به پایان می‌رسد و مسیرهای امیدوارکننده‌ای را برای تحقیقات آینده، از جمله ادغام ترکیبی CMOS ممریستور و همگرایی ترکیبی الکترونیکی،فوتونی، ادغام حسگر نورومورفیک و روش‌های استاندارد معیارگذاری مانند چارچوب NeuroBench که اخیرا معرفی شده است، ترسیم می‌کند.

کلمات کلیدی : رایانش نورومورفیک طراحی مدار کم‌توان شبکه‌های عصبی اسپایکی آرایه کراس‌بار ممریستوری cmos زیرآستانه هوش مصنوعی لبه سیستم‌های الکترونیکی هوشمند سخت‌افزار با بهره‌وری انرژی