KIP-Veröffentlichungen

Dedizierte Logikkomponenten zur Beschleunigung aufwändiger Berechnungen werden in der Informationstechnologie immer allgegenwärtiger und inspirieren die Erforschung neuer Hardwarearchitekturen jenseits des klassischen von-Neumann-Paradigmas. Diese Arbeit demonstriert die Klassifikation von handgeschriebenen Ziffern in Echtzeit mit der neuromorphen BrainScaleS-2-Architektur. In Gegensatz zu vielen etablierten, digitalen Beschleunigern für künstliche neuronale Netze verwendet BrainScaleS-2 ein analoges Synapsen-Array zur Berechnung von Vektor-Matrix-Multiplikationen. Das tragbare und vollständig integrierte BrainScaleS-2-Mobilsystem ist in der Lage, Bilder von einer handelsüblichen Kamera zu erfassen und lokal zu verarbeiten. Mit Hilfe eines künstlichen neuronalen Netzwerks, das auf dem MNIST-Datensatz trainiert wurde, klassifiziert der BrainScaleS-2 Mikrochip Bilder mit einer Frequenz von 66.7 Hz bei einem durchschnittlichen Energieverbrauch von 10.5 mJ pro Bild. Das Modell wird in einem weit verbreiteten Framework für maschinelles Lernen über eine Erweiterung für BrainScaleS-2 trainiert, wodurch das System an viele Anwendungen der künstlichen Intelligenz angepasst werden kann.

As dedicated logic components for accelerating demanding workloads are becoming more ubiquitous in information technology, new hardware architectures are being explored for computation beyond the classical von-Neumann paradigm. This thesis demonstrates realtime classification of handwritten digits using the neuromorphic BrainScaleS-2 architecture. In contrast to many established accelerators for artificial neural networks which operate digitally, BrainScaleS-2 is facilitating its analog synapse array to perform vector-matrix-multiplication. Enabled by the portable and fully integrated BrainScaleS-2 mobile system, images are captured by a standard commercially available camera and processed locally. Using an artificial neural network trained on the MNIST data-set, the BrainScaleS-2 application-specific integrated circuit classifies images at 66.7 Hz with an average energy-consumption of 10.5 mJ per image. The model is trained in a state-of-the-art machine learning framework via an extension for the BrainScaleS-2 hardware, allowing the system to be adapted to many artificial intelligence workloads.