BrainScaleS-2: 가속 아날로그 뉴로모픽 컴퓨팅 아키텍처

목차

1. 서론

BrainScaleS(BSS) 아키텍처는 뉴로모픽 컴퓨팅 분야에서 중요한 발전을 나타내며, 뉴런과 시냅스의 아날로그 물리적 모델 구현을 디지털 처리 코어와 결합합니다. 유럽 휴먼 브레인 프로젝트의 일환으로 개발된 2세대 BrainScaleS-2 시스템은 65nm 기술의 도입과 전용 디지털 가소성 처리 장치의 통합을 통해 이전 세대 대비 상당한 개선을 이루었습니다.

2. BrainScaleS 아키텍처 개요

2.1 아날로그 신경 코어

아날로그 코어는 뉴런과 시냅스의 연속 시간 물리적 모델을 구현하여 생물학적 신경망의 고도로 가속된 에뮬레이션을 제공합니다. 이 시스템은 생물학적 시스템보다 몇 배수 더 작은 시간 상수로 작동하여 신경 역학의 빠른 시뮬레이션을 가능하게 합니다.

2.2 디지털 가소성 처리

BSS-2의 핵심 혁신은 디지털 가소성 처리 장치의 통합입니다. 이는 가속 아날로그 뉴로모픽 시스템에서 학습 작업을 위해 특별히 설계된 고도로 병렬적인 마이크로프로세서입니다. 이 장치는 아날로그 신경 역학에 비해 더 느린 시간 척도에서 발생하는 구조적 및 매개변수 변화를 처리합니다.

2.3 시스템 온 칩 설계

이 아키텍처는 네트워크 온 칩을 통해 연결된 특수 벡터 유닛을 갖춘 여러 디지털 CPU 코어로 구성된 뉴로모픽 시스템 온 칩(SoC)을 특징으로 합니다. 이 설계는 뉴런과 CPU에 대한 공통 주소 공간을 유지하면서 이벤트 데이터를 우선시합니다.

3. 기술 구현

3.1 HICANN-X ASIC

HICANN-X 주문형 반도체(ASIC)는 BSS-2 아키텍처의 최신 실리콘 구현체를 나타냅니다. 65nm 기술로 제작되어 아날로그 신경 회로와 함께 복잡한 디지털 처리를 통합할 수 있습니다.

3.2 뉴런 및 시냅스 모델

이 시스템은 프로그래밍 가능한 이온 채널 에뮬레이션 및 구간 간 전도도를 포함한 정교한 뉴런 모델을 지원합니다. 이를 통해 비선형 수상돌기, 역전파 활동 전위, NMDA 및 칼슘 고원 전위의 모델링이 가능합니다. 막 역학은 다음과 같이 설명할 수 있습니다:

$C_m \\frac{dV_m}{dt} = -g_L(V_m - E_L) - \\sum_i g_i(t)(V_m - E_i) + I_{ext}$

3.3 캘리브레이션 프레임워크

맞춤형 소프트웨어 도구 상자는 복잡한 캘리브레이션된 몬테카를로 시뮬레이션을 용이하게 하여 아날로그 회로의 공정 변동 문제를 해결합니다. 이 캘리브레이션은 성공적인 학습과 신뢰할 수 있는 운영에 필수적입니다.

4. 실험 결과

BrainScaleS-2 시스템은 1세대 대비 상당한 개선을 보여줍니다. 디지털 가소성 처리의 통합은 기본 STDP를 넘어서는 더 유연한 학습 규칙을 가능하게 합니다. 아날로그 가속기는 벡터-행렬 곱셈도 지원하여 딥 컨볼루션 네트워크의 추론과 스파이킹 뉴런을 사용한 로컬 학습을 동일한 기판 내에서 모두 수행할 수 있습니다.

5. 코드 구현

이 시스템은 시뮬레이터 독립적인 신경망 설명 언어인 PyNN을 활용하여 통합 소프트웨어 인터페이스를 제공합니다. 아래는 뉴런 구성의 간소화된 예시입니다:

# BrainScaleS-2용 PyNN 코드 예시
import pyNN.brainscales as bss

# 뉴런 매개변수 구성
neuron_parameters = {
    'tau_m': 10.0,      # 막 시간 상수
    'cm': 1.0,          # 막 커패시턴스
    'v_rest': -70.0,    # 휴지 전위
    'v_thresh': -55.0,  # 임계 전위
    'tau_syn_E': 5.0,   # 흥분성 시냅스 시간 상수
    'tau_syn_I': 5.0    # 억제성 시냅스 시간 상수
}

# 뉴런 집단 생성
population = bss.Population(100, bss.IF_cond_exp, neuron_parameters)

# 가소성 규칙 구성
stdp_model = bss.STDPMechanism(
    timing_dependence=bss.SpikePairRule(),
    weight_dependence=bss.AdditiveWeightDependence()
)

6. 미래 응용 분야

BrainScaleS-2 아키텍처는 뉴로모픽 컴퓨팅 응용 분야에 새로운 가능성을 열어줍니다. 가속 아날로그 에뮬레이션과 디지털 프로그래밍 가능성의 결합은 실시간 AI 시스템, 뇌 영감 컴퓨팅 연구 및 저전력 엣지 AI 응용 분야에 적합합니다. 향후 개발은 더 큰 신경망으로의 확장, 에너지 효율성 개선 및 학습 규칙의 프로그래밍 가능성 향상에 초점을 맞출 수 있습니다.

원본 분석

7. 참고문헌