التصميم المتكامل للعتاد/البرمجيات مع عتاد معالجة ذاكرة بدون ADC لشبكات عصبية نبضية

الشبكات العصبية ذات الانفجارات (SNNs) تمثل نماذج متماشية مع الأنظمة البيولوجية، وتحظى بإمكانات كبيرة لتحقيق تنفيذ كفؤ من حيث استهلاك الطاقة للمهام التسلسلية على الأجهزة الحافة المحدودة الموارد. ومع ذلك، فإن منصات الحافة التجارية المستندة إلى وحدات معالجة الرسومات القياسية (GPU) ليست مُحسَّنة لاستضافة الشبكات العصبية ذات الانفجارات، مما يؤدي إلى استهلاك طاقة عالٍ وتأخير كبير. في المقابل، يمكن لمنصات الحوسبة داخل الذاكرة (IMC) ذات الطابع التناظري أن تُعدّ محركات استدلال كفؤة من حيث استهلاك الطاقة، لكنها تعاني من متطلبات ضخمة من حيث الطاقة والتأخير والمساحة الناتجة عن استخدام المحولات التناظرية إلى الرقمية عالية الدقة (HP-ADC)، ما يُبقي مزايا الحوسبة داخل الذاكرة مُحجبة. نقترح منهجية تعاونية بين العتاد والبرمجيات لتنفيذ الشبكات العصبية ذات الانفجارات في بنية IMC خالية من المحولات (ADC-Less)، باستخدام مُضخّمات الاستشعار كمحولات رقمية ذات بت واحد (1-bit ADC) بدلًا من المحولات عالية الدقة التقليدية، مما يخفف من التحديات المذكورة أعلاه. يُعدُّ الإطار المقترح يُسجّل انخفاضًا ضئيلًا في الدقة من خلال تدريب مُدرك للعتاد، ويُمكنه التوسع إلى خارج مهام التصنيف البسيطة للصور إلى مهام تسلسلية أكثر تعقيدًا مثل الانحدار التسلسلي. أظهرت التجارب على مهام معقدة مثل تقدير التدفق الضوئي وتمييز الإشارات اليدوية أن زيادة تدريجية في الوعي بالعتاد أثناء تدريب الشبكة العصبية ذات الانفجارات تسمح للنموذج بالتكيف وتعلّم الأخطاء الناتجة عن عدم الكمال المرتبطة ببنية IMC الخالية من المحولات. كما تُقدّم البنية المقترحة تحسينات كبيرة في الطاقة والتأخير، حيث تصل إلى 2–7 أضعاف في استهلاك الطاقة و8.9–24.6 مرة في التأخير، حسب نوع الشبكة العصبية ذات الانفجارات والحمولة المستخدمة، مقارنةً ببنية IMC التي تعتمد على HP-ADC.