1770724636
2026-02-10 11:44:00
研究者は、神経科学と人工知能を融合して、より効率的で強力なコンピューティング システムを作成できる可能性をますます認識しています。カーネギーメロン大学の Shanmuga Venkatachalam 氏、Prabhu Vellaisamy 氏、Harideep Nair 氏は、Wei-Che Huang 氏、Youngseok Na 氏、Yuyang Kang 氏らとともに、NeuroAI 時間ニューラル ネットワーク (NeuTNN) を使用した新しいアプローチを発表しています。この研究では、機能とハードウェア効率の両方を向上させるために、生物学的原理、特にアクティブな樹状突起を備えたニューロン モデルから直接引き出す、新しいマイクロアーキテクチャと設計フレームワークについて詳しく説明します。 PyTorch モデルをアプリケーション固有の NeuTNN レイアウトに変換するツール スイートである NeuTNNGen を導入することで、チームは大幅なパフォーマンスの向上とシナプス コストの最大 50% の削減を実証し、エネルギー効率の高い新世代の NeuroAI システムへの道を切り開きました。
生物学にインスピレーションを得た NeuTNN と NeuTNNGen による自動設計は、次世代ニューラル ネットワークに有望な道を提供します
科学者たちは、NeuroAI と彼らが呼ぶ分野である神経科学からの洞察を直接統合することにより、人工知能の新時代を開拓しています。この画期的な進歩の中心となるのは、アプリケーション固有の NeuTNN の作成を可能にし、設計プロセスを合理化し、新たなレベルのパフォーマンスを実現する PyTorch からレイアウトへのツール スイートである NeuTNNGen です。
既存の時間ニューラル ネットワーク設計と比較して、NeuTNN はさまざまなアプリケーションにわたって優れたパフォーマンスと効率を実証します。研究者らは、UCR 時系列ベンチマーク、MNIST 設計探索、新皮質基準フレーム用の Place Cell の作成という 3 つの主要な例を通じて NeuTNNGen の機能を検証しました。
各 NeuTNN ニューロンには、遠位セグメントと近位セグメントの両方を含むアクティブな樹状突起が組み込まれており、機能的には TNN カラムと同等であり、状況に応じたクラスタリングと分類が可能です。 PyTorch からレイアウトへのツール スイートである NeuTNNGen は、アプリケーション固有の NeuTNN の設計を容易にし、ソフトウェア モデルをハードウェア実装に変換します。
このフレームワークは、迅速な設計空間の探索をサポートし、さまざまなアプリケーションに最適なモデルを特定し、市販の EDA ツールを活用して合成後および配置配線後の電力性能領域 (PPA) メトリクスを評価します。レイアウト後の PPA の結果は、45nm および予測 7nm CMOS テクノロジーについて報告され、最適化された実装のために TNN7 ライブラリを利用した時系列クラスタリング、MNIST、および配置セル設計を評価しました。
実験セットアップには、UCR 時系列ベンチマーク、MNIST 設計探索、新皮質基準フレームの Place Cells モデリングという 3 つの主要なアプリケーションが含まれていました。シナプス刈り込みも検討され、さまざまな感覚モダリティ全体でモデルの精度を維持しながら、シナプス数と関連ハードウェア コストの 30 ～ 50% の削減を達成しました。
基本的な構成要素として機能する NeuTNN ミニカラムは、積み重ねられて層を形成し、カスケードされて多層ネットワークを作成し、多層 TNN をより浅くてエネルギー効率の高いアーキテクチャに置き換える可能性があります。 NeuTNN セグメントは、TNN ポイント ニューロンと同様に動作しますが、さまざまな応答特性を備え、信号を統合して体電位に影響を与え、階層的処理を可能にします。
拡張された NeuTNN アーキテクチャと NeuTNNGen による効率的なハードウェア実装により、低遅延推論が可能になります
NeuTNN ニューロンは、古典的なポイント ニューロンと比較して非常に豊富な機能を示し、それぞれが複数のセグメント タイプを含むアクティブな樹状突起で構成されます。各 NeuTNN セグメントは TNN ポイント ニューロンと同等に動作しますが、NeuTNN アクティブ樹状突起は計算上 TNN 列と同等です。
この研究では、アプリケーション固有の NeuTNN 向けに設計された PyTorch からレイアウトへのツール スイートである NeuTNNGen が導入されており、完全に構成可能な多層ネットワークと自動互換性チェックをサポートしています。 NeuTNNGen 内で研究されているシナプス プルーニングは、多様な感覚モダリティ全体でモデルの精度を維持しながら、シナプス数と関連するハードウェア コストを 30 ～ 50% 削減します。
TNN7 ライブラリを活用して、最適化された NeuTNN 実装が実現され、フレームワークの機能が実証されました。これらのネットワークには、神経科学の知見、特に活性樹状突起と遠位セグメントと近位セグメントの階層構造を特徴とするニューロン モデルが組み込まれており、機能とハードウェア効率の両方が向上します。
チームは、PyTorch-to-layout ツール スイートである NeuTNNGen を開発し、さまざまなタスク向けのアプリケーション固有の NeuTNN の設計を可能にしました。 UCR 時系列ベンチマーク、MNIST 設計探索、および新皮質基準フレームの配置セルを使用したデモンストレーションは、NeuTNNGen の有効性を示しています。さらに、シナプス刈り込みの適用により、さまざまな感覚モダリティにわたるモデルの精度に大きな影響を与えることなく、シナプス数が 30 ～ 50% 減少しました。
これは、エネルギー効率の高いニューロモーフィック処理ユニットの作成に向けた道筋を示唆しています。著者らは、現在の研究は特定のアプリケーションに焦点を当てており、より広範囲の問題にわたって NeuTNN の可能性を最大限に探るためにはさらなる研究が必要であることを認めています。今後の作業には、ツールスイートの拡張と、より複雑なネットワークアーキテクチャの調査が含まれる可能性があり、より生物学的に現実的で効率的な AI システムにつながる可能性があります。
👉 詳細情報
🗞 NeuroAI 時間的ニューラル ネットワーク (NeuTNN): 特殊なニューロモーフィック処理ユニットのためのマイクロアーキテクチャと設計フレームワーク
🧠ArXiv:
#脳にインスピレーションを得た #設計は効率 #向上を約束