BrainScaleS-2: Ускоренная аналоговая нейроморфная вычислительная архитектура

Содержание

1. Введение

Архитектура BrainScaleS (BSS) представляет собой значительный прогресс в области нейроморфных вычислений, сочетая аналоговые физические модели нейронов и синапсов с цифровыми процессорными ядрами. Система второго поколения BrainScaleS-2, разработанная в рамках европейского проекта Human Brain Project, знаменует существенное улучшение по сравнению с предшественником благодаря внедрению 65 нм технологии и интеграции специализированных блоков цифровой обработки пластичности.

2. Обзор архитектуры BrainScaleS

2.1 Аналоговое нейронное ядро

Аналоговое ядро реализует физические модели нейронов и синапсов в непрерывном времени, обеспечивая высокоускоренную эмуляцию биологических нейронных сетей. Система работает с постоянными времени на несколько порядков меньшими, чем биологические системы, что позволяет быстро моделировать нейродинамику.

2.2 Цифровая обработка пластичности

Ключевым нововведением в BSS-2 является интеграция блока цифровой обработки пластичности — высокопараллельного микропроцессора, специально разработанного для операций обучения в ускоренных аналоговых нейроморфных системах. Этот блок обрабатывает структурные и параметрические изменения, происходящие на более медленных временных масштабах по сравнению с аналоговой нейродинамикой.

2.3 Дизайн системы на кристалле

Архитектура включает нейроморфную систему на кристалле (SoC), состоящую из нескольких цифровых CPU-ядер со специализированными векторными блоками, соединёнными через сеть на кристалле. Этот дизайн приоритизирует событийные данные, сохраняя при этом общее адресное пространство для нейронов и процессоров.

3. Техническая реализация

3.1 Специализированная интегральная схема HICANN-X

Специализированная интегральная схема HICANN-X представляет собой новейшую кремниевую реализацию архитектуры BSS-2. Созданная по 65 нм технологии, она позволяет интегрировать сложную цифровую обработку вместе с аналоговыми нейронными схемами.

3.2 Модели нейронов и синапсов

Система поддерживает сложные модели нейронов, включая программируемую эмуляцию ионных каналов и межсегментные проводимости. Это позволяет моделировать нелинейные дендриты, обратно распространяющиеся потенциалы действия, NMDA и кальциевые плато-потенциалы. Динамика мембраны может быть описана уравнением:

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

3.3 Фреймворк калибровки

Специализированный программный инструментарий облегчает проведение сложных калиброванных симуляций Монте-Карло, решая проблему технологических вариаций в аналоговых схемах. Эта калибровка необходима для успешного обучения и надёжной работы.

4. Экспериментальные результаты

Система BrainScaleS-2 демонстрирует значительные улучшения по сравнению с первым поколением. Интеграция цифровой обработки пластичности позволяет реализовать более гибкие правила обучения, выходящие за рамки базового STDP. Аналоговый ускоритель также поддерживает векторно-матричное умножение, позволяя выполнять как вывод глубоких свёрточных сетей, так и локальное обучение со спайковыми нейронами на одном субстрате.

5. Реализация кода

Система использует PyNN — независимый от симулятора язык описания нейронных сетей, предоставляющий унифицированный программный интерфейс. Ниже приведён упрощённый пример конфигурации нейрона:

# Пример кода PyNN для BrainScaleS-2
import pyNN.brainscales as bss

# Настройка параметров нейрона
neuron_parameters = {
    'tau_m': 10.0,      # постоянная времени мембраны
    'cm': 1.0,          # ёмкость мембраны
    'v_rest': -70.0,    # потенциал покоя
    'v_thresh': -55.0,  # пороговый потенциал
    'tau_syn_E': 5.0,   # постоянная времени возбуждающего синапса
    'tau_syn_I': 5.0    # постоянная времени тормозного синапса
}

# Создание популяции нейронов
population = bss.Population(100, bss.IF_cond_exp, neuron_parameters)

# Настройка правила пластичности
stdp_model = bss.STDPMechanism(
    timing_dependence=bss.SpikePairRule(),
    weight_dependence=bss.AdditiveWeightDependence()
)

6. Перспективные приложения

Архитектура BrainScaleS-2 открывает новые возможности для приложений нейроморфных вычислений. Сочетание ускоренной аналоговой эмуляции с цифровой программируемостью делает её подходящей для систем искусственного интеллекта реального времени, исследований в области вычислений, вдохновлённых мозгом, и энергоэффективных приложений ИИ на периферии. Будущие разработки могут быть сосредоточены на масштабировании для более крупных нейронных сетей, улучшении энергоэффективности и расширении программируемости правил обучения.

Оригинальный анализ

7. Ссылки