Neuromorphes Neuronales Netz Leti senkt Leistungsaufnahme drastisch

Die Aufnahme zeigt einen Schnitt durch den ersten Chip, auf dem ein Spiking Neural Network vollständig integriert ist. Über der Logikebene sind die RRAMs angeordnet.
Die Aufnahme zeigt einen Schnitt durch den ersten Chip, auf dem ein Spiking Neural Network vollständig integriert ist. Über der Logikebene sind die RRAMs angeordnet.

Das Leti hat die Leistungsaufnahme eines auf resistiven RAMs basierenden Spiking Neural Network gegenüber herkömmlichen Netzen um den Faktor 5 gesenkt.

Weil die analogen Neuronen in den Spiking Neural Networks (SNN) die Information ähnlich wie die Neuronen in unserem Gehirn als elektrische Pulse codieren, spricht man von neuromorpher Hardware. Bei den resistiven RAMs handelt es sich um nichtflüchtige Speicher, die ihre Speicherzustände aufgrund von Widerstandsänderungen in einem speziellen Material in der Speicherzelle wechseln.

»Wir haben das gesamte Netz zum ersten Mal auf einem einzigen Chip monolithisch integriert, also das SNN plus den analogen Neuronen und den RRAM-Synapsen. Kein Teil ist emuliert oder muss auf externer Hardware laufen, wie in manch anderen Projekten«, sagt Alexander Valentian, der Autor des Papers »Fully Integrated Spiking Neural Network with Analog Neurons and RRAM Synapses«, das das Leti kürzlich auf der IEDM vorgestellt hat.

Mit dem Testchip hat das Leti gezeigt, dass es in der Lage ist, RRAMs über die in einem 130-nm-CMOS-Prozess gefertigten Logiktransistoren des Chips zu formieren. Die Speicherzellen sind also sehr nahe an den Rechenelementen platziert. »Deshalb müssen sie sehr klein sein, außerdem sollten sie nichtflüchtig sein. RRAMs eignen sich für diesen Zweck sehr gut«, erklärt Alexander Valentian.  

Spiking Neural Networks sind auf analogen Neuronen aufgebaut, die ähnlich wie ihre biologischen Vorbilder kommunizieren, indem sie Pulse (in der Biologie Aktionspotenziale genannt) aussenden. Es handelt sich also um diskrete Ereignisse, die zu einem bestimmten Zeitpunkt stattfinden. Weil die Neuronen in SNNs analog arbeiten, müssen sie nicht auf digitalen Transistoren aufwendig emuliert werden, was eine hohe Rechenleistung erfordert. Deshalb reduziert sich die Leistungsaufnahme gegenüber herkömmlichen Neuronalen Netzen beträchtlich. Zudem arbeiten sie Event-basiert, was die Leitungsaufnahme noch einmal verringert. Dieser neuromorphe Ansatz kommt also dem biologischen Vorbild sehr viel näher als die bisherigen Neuronalen Netze und verspricht, sehr viel leistungseffektivere Neuronale Netze als bisher realisieren zu können.