Neuromorphes Gerät schafft On-Chip-Training

Eindhoven University of Technology eröffnet dne Weg zu effizienten und dedizierten KI-Halbleitern

Neuromorphes Gerät der TU/e ermöglicht On-Chip-Training (Foto: Bart van Overbeeke, tue.nl/en)

Eindhoven (pte004/16.07.2024/06:15) - Forscher der Eindhoven University of Technology ( http://www.tue.nl/ ) (TU/e) haben ein neuromorphes Gerät entwickelt, das ein On-Chip-Training ermöglicht und die Notwendigkeit eliminiert, trainierte Modelle auf den Chip zu übertragen. Dies könnte den Weg zu effizienten und dedizierten KI-Chips eröffnen. Details sind in "Science Advances" nachzulesen.

ECRAM als Grundlage

"Neuronale Netze können dabei helfen, komplexe Probleme mit großen Datenmengen zu lösen. Aber je größer die Netzwerke werden, desto höher sind die Energiekosten und Hardware-Beschränkungen. Aber es gibt eine vielversprechende Hardware-basierte Alternative - neuromorphe Chips", unterstreicht TU/e-Wissenschaftler Yoeri van de Burgt.

Die Experten haben ein zweischichtiges neuronales Netz basierend auf ECRAM-Komponenten aus organischen Materialien anfertigt und die Hardware mit einer Weiterentwicklung des weitverbreiteten Trainings-Algorithmus Backpropagation getestet.

"Der konventionelle Algorithmus wird häufig verwendet, um die Genauigkeit neuronaler Netze zu verbessern, ist jedoch nicht mit unserer Hardware kompatibel, also haben wir unsere eigene Version entwickelt," sagt van de Burgts Kollege Tim Stevens.

Zweischichtiges Netzwerk

"Wir haben gezeigt, dass dies für ein kleines zweischichtiges Netzwerk funktioniert. Als nächstes möchten wir die Industrie und andere große Forschungslabore einbeziehen, damit wir viel größere Netzwerke von Hardware-Geräten bauen und mit realen Datenproblemen testen können", so van de Burgt.

Dies würde es ermöglichen zu demonstrieren, dass diese Systeme sehr effizient im Training und im Betrieb nützlicher neuronaler Netze sowie bei KI-Systemen sind. "Wir möchten diese Technologie in mehreren praktischen Fällen anwenden. Mein Traum ist es, dass solche Technologien in Zukunft zur Norm in KI-Anwendungen werden", meint der Forscher.

(Ende)