為什麼神經形態運算基準測試很困難？

搜索最新SoC解决方案
关于汽车电子...物联网...安全...音频...视频

神經型態運算(Neuromorphic Computing)是工程師正在嘗試的一個全新領域，不同系統之間(神經型態和其他系統)不易進行比較可能是這項技術的一個難點。產生這個難點的一部分原因是因為該領域很複雜…

www.eettaiwan.com, Dec. 10, 2021 – 

新技術的成功在一定程度上取決於這種技術所帶來的價值，簡單說就是要證明新技術比競爭對手的技術好。新技術只有帶來新的價值，才能吸引投資者，並讓管理者滿意。在現有產品的基礎上設計一個更小、更快、更輕、更有效的替代品相對比較容易，而創造一個完全不同的新東西要困難得多。

神經形態運算(Neuromorphic Computing)就是工程師正在嘗試的一個全新領域，不同系統之間(神經形態和其他系統)不易進行比較可能是這項技術的一個難點。

產生這個難點的一部分原因是因為該領域很複雜。神經形態技術是從大腦汲取靈感，但正如之前所討論的，要將靈感變為現實，從硬體層面來看有很多種方法，如類比或數位、尖峰或非尖峰、連續或離散時間、虛擬或直接神經元連接。

不同工作小組的目標和重心有時候也各不相同。一些想要模擬生物學，一些專注於能源效率，另外一些希望模擬類人智慧，還有一些則只想為日常機器學習的難題找到實用的解決方案。

那麼，對使用不同介面、編碼、技術和方法的神經形態系統，開發人員要如何進行基準測試並且要花多長時間呢？基準測試過去幾年已逐漸成為神經形態工程的熱門話題。實際上，2016年就已經開始比較不同應用中的系統，或者執行不同的演算法、網路或演算法/網路集。僅今年就發表了三項有關這一主題的研究，筆者將在以後的文章中討論這些研究，本文的重點是理解為什麼基準測試仍是一個難題。

細節決定成敗

來執行一項學習或辨識任務，然後比較其在不同實驗系統上的表現。首先，必須選擇一項能夠在所有系統中執行的任務，儘管這些系統在設計之初可能並沒有考慮到這一點。此外，必須考慮整個過程(從載入任務、執行任務到產生輸出)，以及每個步驟是否都得到了最佳化。

如果沒有最佳化(這是新技術的常見問題)，則必須將測量指標進行細分，使之僅用於有關的系統，而非用於整個基礎設施(支援這些系統所需)。

硬體也可以用這樣一種方式來建構，使其能產生適當的資料用於分析，包括不同階段的性能或功耗。然而，情況往往並非如此。

每秒浮點運算次數(FLOPS)能讓事情變得容易，但目前還沒有其他等效方法。工程師們嘗試使用乘積累加運算(MAC)，但MAC更適於深度學習，並不能反映神經+形態工程的複雜性。

点击阅读更多

 Back