El diseño de unidades de procesamiento sensorial neuromórfico (NSPU) basadas en redes neuronales temporales (TNN) es una tarea muy desafiante debido a la dependencia de procesos de desarrollo de hardware manuales y laboriosos. Se ha identificado que las TNN son muy prometedoras para aplicaciones de IA de vanguardia en tiempo real, principalmente porque son energéticamente eficientes y están bioinspiradas. Sin embargo, las metodologías disponibles carecen de automatización y no son muy accesibles. En consecuencia, el proceso de diseño se vuelve complejo, requiere mucho tiempo y conocimientos especializados. Es superando estos desafíos que se puede desbloquear todo el potencial de las TNN para el procesamiento eficiente y escalable de señales sensoriales.
Los enfoques actuales para el desarrollo de TNN son flujos de trabajo fragmentados, ya que las simulaciones de software y los diseños de hardware se manejan por separado. Avances como las bibliotecas ASAP7 y TNN7 hicieron que algunos aspectos del hardware fueran eficientes, pero siguen siendo herramientas patentadas que requieren una experiencia significativa. La fragmentación del proceso restringe la usabilidad, impide la exploración más fácil de las configuraciones de diseño con una mayor sobrecarga computacional y no se puede utilizar para la creación rápida de prototipos más específicos de aplicaciones o con fines de implementación a gran escala.
Investigadores de la Universidad Carnegie Mellon presentan TNNGen, un marco unificado y automatizado para diseñar NSPU basadas en TNN. La innovación radica en la integración de la simulación funcional basada en software con la generación de hardware en un único flujo de trabajo optimizado. Combina un simulador basado en PyTorch, que modela la dinámica de sincronización de picos y evalúa métricas específicas de la aplicación, con un generador de hardware que automatiza la generación de RTL y el diseño de diseño utilizando PyVerilog. Mediante la utilización de macros personalizadas de TNN7 y la integración de una variedad de bibliotecas, este marco logra mejoras considerables en la velocidad de simulación y en el diseño físico. Además, sus capacidades predictivas facilitan la previsión precisa de métricas de silicio, disminuyendo así la dependencia de herramientas EDA computacionalmente exigentes.
TNNGen se organiza en torno a dos elementos principales. El simulador funcional, construido con PyTorch, admite configuraciones TNN adaptables, lo que permite un examen rápido de varias arquitecturas de modelos. Tiene aceleración de GPU y modelado preciso de sincronización de picos, lo que garantiza una alta velocidad y precisión de simulación. El generador de hardware convierte los modelos de PyTorch en diseños físicos y RTL optimizados. Utilizando bibliotecas como TNN7 y scripts TCL personalizados, automatiza los procesos de síntesis y colocación y enrutamiento y, al mismo tiempo, es compatible con múltiples nodos tecnológicos como FreePDK45 y ASAP7.
TNNGen logra un rendimiento excelente tanto en precisión de agrupación como en eficiencia de hardware. Los diseños de TNN para tareas de agrupamiento de series temporales muestran un rendimiento competitivo con las mejores técnicas de aprendizaje profundo y, al mismo tiempo, reducen drásticamente la utilización de recursos computacionales. El enfoque aporta importantes mejoras en la eficiencia energética, obteniendo una reducción en el área del troquel y la potencia de fuga en comparación con los enfoques convencionales. Además, el tiempo de ejecución del diseño se reduce drásticamente, especialmente para diseños más grandes, que se benefician más de los flujos de trabajo optimizados. Además, el completo instrumento de previsión proporciona estimaciones precisas de los parámetros del hardware, lo que permite a los investigadores evaluar la viabilidad del diseño sin la necesidad de participar en procedimientos físicos del hardware. En conjunto, estos hallazgos posicionan a TNNGen como un enfoque viable para optimizar y acelerar la creación de sistemas neuromórficos energéticamente eficientes.
TNNGen es el siguiente paso en el desarrollo totalmente automatizado de NSPU basadas en TNN al unificar la simulación y la generación de hardware en un marco accesible y eficiente. El enfoque abordó desafíos clave en el proceso de diseño manual e hizo que esta herramienta fuera mucho más escalable y utilizable para aplicaciones de IA de vanguardia. El trabajo futuro implicaría ampliar sus capacidades hacia el soporte de arquitecturas TNN más complejas y una gama mucho más amplia de aplicaciones para convertirse en un habilitador crítico de la computación neuromórfica sostenible.
Verificar el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. No olvides unirte a nuestro SubReddit de más de 60.000 ml.
Aswin AK es pasante de consultoría en MarkTechPost. Está cursando su doble titulación en el Instituto Indio de Tecnología de Kharagpur. Le apasiona la ciencia de datos y el aprendizaje automático, y aporta una sólida formación académica y experiencia práctica en la resolución de desafíos interdisciplinarios de la vida real.