Celle di memoria spintroniche per reti neurali

Negli ultimi anni, i ricercatori hanno proposto un’ampia varietà di implementazioni hardware per reti neurali artificiali feed-forward. Queste implementazioni includono tre componenti chiave: un motore di prodotti dot in grado di calcolare convoluzioni e operazioni di livello completamente connesse, elementi di memoria per memorizzare risultati intermedi e intra-strato e altri componenti in grado di calcolare funzioni di attivazione non lineari.

I motori dei prodotti a punti, che sono essenzialmente acceleratori ad alta efficienza, sono stati finora implementati con successo nell’hardware in molti modi diversi. In uno studio pubblicato l’anno scorso, i ricercatori dell’Università di Notre Dame in Indiana hanno utilizzato circuiti a punti per progettare un acceleratore basato su reti neurali cellulari (CeNN) per reti neurali convoluzionali (CNN).

Lo stesso team, in collaborazione con altri ricercatori dell’Università del Minnesota, ha ora sviluppato una cella CeNN basata su elementi spintronici (cioè spin elettronici) ad alta efficienza energetica. Questa cella, presentata in un articolo pre-pubblicato su arXiv, può essere utilizzata come unità di calcolo neurale.

Le cellule proposte dai ricercatori, chiamate Inverse Rashba-Edelstein Magnetoelectric Neurons (IRMEN), assomigliano alle cellule standard delle reti neurali cellulari in quanto sono basate su un condensatore, ma nelle cellule IRMEN il condensatore rappresenta un meccanismo di input piuttosto che un vero stato . Per garantire che le cellule del CeNN siano in grado di sostenere le complesse operazioni tipicamente eseguite dalle CNN, i ricercatori hanno anche proposto l’uso di una rete neurale a doppio circuito.

Il team ha effettuato una serie di simulazioni utilizzando HSPICE e Matlab per determinare se le loro celle di memoria spintroniche potrebbero migliorare le prestazioni, la velocità e l’efficienza energetica di una rete neurale in un’attività di classificazione delle immagini. In questi test, le cellule IRMEN hanno superato le implementazioni puramente basate sulla carica della stessa rete neurale, consumando 鈮 100 pJ in totale per immagine elaborata.

“Le prestazioni di queste cellule sono simulate in una classificazione delle immagini della CNN accelerata dal CeNN”, hanno scritto i ricercatori nel loro articolo. “Le celle spintroniche riducono significativamente il consumo di energia e tempo rispetto alle loro controparti basate sulla carica, richiedendo solo 鈮 100 pJ e 鈮 42 ns per calcolare tutto tranne lo strato CNN finale completamente connesso, pur mantenendo un’elevata precisione”.

In sostanza, rispetto agli approcci proposti in precedenza, le cellule IRMEN possono risparmiare una notevole quantità di energia e tempo. Ad esempio, una versione puramente addebitata dello stesso CeNN utilizzata dai ricercatori richiede oltre 12 nJ per calcolare tutte le fasi di convoluzione, pooling e attivazione, mentre l’IRMEN CeNN richiede meno di 0,14.

“Con la crescente importanza del calcolo neuromorfo e oltre il calcolo CMOS, la ricerca di nuovi dispositivi per ricoprire questi ruoli è cruciale”, hanno concluso i ricercatori nel loro articolo. “Abbiamo proposto un nuovo elemento di memoria analogica magnoelettrica con una funzione di trasferimento incorporata che gli consente anche di agire come cella in un CeNN”.

I risultati raccolti da questo team di ricercatori suggeriscono che l’applicazione della spintronica nel calcolo neuromorfico potrebbe avere notevoli vantaggi. In futuro, le celle di memoria IRMEN proposte nel loro articolo potrebbero aiutare a migliorare le prestazioni, la velocità e l’efficienza energetica delle reti neurali convoluzionali in una varietà di compiti di classificazione.