ترجمه فارسی مقاله نورون سنبله آنالوگ در CMOS 28 نانومتر به سمت پردازنده های عصبی در مقیاس بزرگ

چکیده

The computational complexity of deep learning algorithms has given rise to significant speed and memory challenges for the execution hardware. In energy-limited portable devices, highly efficient processing platforms are indispensable for reproducing the prowess afforded by much bulkier processing platforms. In this work, we present a low-power Leaky Integrate-and-Fire (LIF) neuron design fabricated in TSMC’s 28 nm CMOS technology as proof of concept to build an energy-efficient mixed-signal Neuromorphic System-on-Chip (NeuroSoC). The fabricated neuron consumes 1.61 fJ/spike and occupies an active area of 34 $μm^{2}$, leading to a maximum spiking frequency of 300 kHz at 250 mV power supply. These performances are used in a software model to emulate the dynamics of a Spiking Neural Network (SNN). Employing supervised backpropagation and a surrogate gradient technique, the resulting accuracy on the MNIST dataset, using 4-bit post-training quantization stands at 82.5\%. The approach underscores the potential of such ASIC implementation of quantized SNNs to deliver high-performance, energy-efficient solutions to various embedded machine-learning applications.

چکیده به فارسی (ترجمه ماشینی)

پیچیدگی محاسباتی الگوریتم های یادگیری عمیق باعث افزایش سرعت و چالش های حافظه برای سخت افزار اجرای شده است.در دستگاه های قابل حمل با انرژی محدود ، سیستم عامل های پردازش بسیار کارآمد برای تولید مثل توانمندی که توسط سیستم عامل های پردازش بسیار فله ای فراهم می شود ، ضروری هستند.در این کار ، ما یک طراحی نورون یکپارچه و یکپارچه (LIF) نشتی کم قدرت در فناوری 28 نانومتر CMOS TSMC به عنوان اثبات مفهوم برای ساخت یک سیستم عصبی-سیگنال با انرژی با انرژی-تراشه (NeuroSoc) ارائه می دهیم.بشرنورون ساختگی 1.61 FJ/Spike را مصرف می کند و مساحت فعال 34 $ میکرومتر^{2} $ را اشغال می کند و منجر به حداکثر فرکانس سنبله 300 کیلوهرتز در 250 میلی ولت می شود.این اجراها در یک مدل نرم افزاری برای تقلید پویایی یک شبکه عصبی سنبله (SNN) استفاده می شود.با استفاده از تکیه گاه تحت نظارت و یک تکنیک شیب جانشین ، دقت حاصل در مجموعه داده MNIST ، با استفاده از کمیت 4 بیتی پس از آموزش ، 82.5 \ ٪ است.این رویکرد بر پتانسیل اجرای ASIC SNN های کمکی برای ارائه راه حل های با کارایی بالا و کارآمد برای برنامه های مختلف یادگیری ماشین تعبیه شده تأکید می کند.