딥러닝 (Deep learning)에서 모델 크기와 애플리케이션의 지속적인 성장에 대응하기 위해 효율성은 점점 더 중요해지고 있습니다. 뉴로모픽 하드웨어 (Neuromorphic hardware)는 전례 없는 에너지 효율성을 달성하기 위해 뇌에서 영감을 얻어, 딥 네트워크 (Deep networks)의 차세대 대안으로 오랫동안 주장되어 왔습니다. 그러나 이러한 이점의 입증은 최근에서야 복잡성과 실세계 적용 가능성이 증가하기 시작했습니다. SpiNNaker2를 통해 우리는 딥 네트워크와 뉴로모픽 컴퓨팅 (Neuromorphic computing) 사이의 간극을 메우고, 두 세계를 결합하는 컴퓨팅 접근 방식을 유연하게 탐색할 수 있게 해주는 칩을 선보입니다. 이 칩은 ARM M4F 프로세서와 전용 가속기가 장착된 152개의 프로세싱 엘리먼트 (Processing elements), 확장 가능한 이벤트 기반 통신 (Event-based communication)을 위한 확장된 SpiNNaker 라우팅 패브릭 (Routing fabric), 그리고 Gbit Ethernet 및 LPDDR4 메모리 인터페이스를 포함하여 시스템 통합을 위한 다양한 외부 인터페이스를 특징으로 합니다. 우리는 뉴로모픽 및 딥 네트워크 워크로드뿐만 아니라 새로운 이벤트 기반 컴퓨팅 접근 방식에 대한 SpiNNaker2 칩의 성능과 효율성을 입증합니다. 딥 네트워크 워크로드의 경우, 이 칩은 고성능 모드에서 최대 4.5 TOPS를 달성하며, INT8 워크로드에 대해 고효율 모드에서 최대 2.7 TOPS/W의 효율성을 달성합니다. 이 칩은 1ms 타임 스텝 (Time step)으로 시뮬레이션할 때 150,000개 이상의 뉴런과 초당 18억 개 이상의 시냅스 이벤트 (Synaptic events)를 지원하는 스파이킹 신경망 (Spiking neural networks)을 지원합니다. 250mW 미만의 낮은 기본 전력은 변화하는 워크로드 조건에서도 효율성을 유지할 수 있게 하여, 희소 (Sparse) 및 이벤트 기반 컴퓨팅 모드를 탐색할 수 있게 합니다. 이 모든 것은 확장 가능한 뇌 모방 컴퓨팅과 주류 딥 네트워크 접근 방식의 결합을 위한 범용 하드웨어 플랫폼으로서 이 칩의 역량을 입증합니다.