واکاوی معماری های نورومورفیک به مثابه بستری نوین برای اجرای الگوریتم های هوش مصنوعی

محاسبات نورومورفیک، یک سیستم محاسباتی غیر فون نیومان(این طراحی بخاطر جان فون نیومان دانشمند علوم رایانه نامگذاری شده است). الهام گرفته از مغز، چالش های ناشی از پدیده دیوار حافظه را در قانون مور بررسی می کند. این تراشه قابلیت بهبود عملکرد با بهره وری انرژی را دارد. نیازهای معماری تراشه نورومورفیک بسته به کاربرد متفاوت است و بهینه سازی آن برای کاربردهای در مقیاس بزرگ همچنان چالش برانگیز است. تراشه های نورومورفیک با استفاده از شبکه های عصبی اسپایک برنامه ریزی می شوند که ویژگی های مهمی مانند موازی سازی، ناهمزمانی و یادگیری روی دستگاه را به آن ها می دهد. مدل های نورون اسپایک که به طور گسترده استفاده می شوند شامل مدل های هاجکین-هاکسلی، مدل ایژیکویچ، مدل ادغام و آتش و مدل پاسخ اسپایک هستند. پلتفرم های پیاده سازی سخت افزاری این تراشه سه رویکرد را دنبال می کنند: آنالوگ، دیجیتال یا ترکیبی از هردو. هر پلتفرم می تواند با استفاده از توپولوژی های مختلف حافظه که با مکانیزم یادگیری ارتباط دارند، پیاده سازی شود. سیستم های محاسباتی فعلی نورومورفیک معمولا از الگوریتم های انعطاف پذیری وابسته به زمان بندی اسپایکی بدون نظارت استفاده می کنند. با این حال، الگوریتم هایی مانند پلاستیسیتی سیناپسی وابسته به ولتاژ ظرفیت افزایش عملکرد را دارند. این مقاله، مشخصات معماری تراشه های نورومورفیک و ظرفیت های آن ها را خلاصه کرده و کاربردهای شاخص این فناوری را برجسته می سازد.

کلیدواژه ها:

معماری محاسبات نورومورفیک ، یادگیری محاسبات نورومورفیک ، شبکه های عصبی اسپایکی