저비용 뉴로모픽 FPGA 를 위한 이벤트 기반 SNN 배포를 위한 하드웨어 - 소프트웨어 공동 설계
요약
본 논문은 PyTorch로 정의된 스파이킹 신경망(SNN)을 저비용 FPGA 플랫폼에 결정론적으로 배포하기 위한 하드웨어-소프트웨어 공동 설계 프레임워크를 제시합니다. 이 프레임워크는 단일 아티팩트를 통해 가중치, 임계값, 연결성 정보와 시간-첫 번째 스파이크(TTFS) 디코딩 메타데이터를 운반하며, 소프트웨어 참조 및 보드 런타임 모두에서 재사용됩니다. 실험 결과, 이 시스템은 MNIST 분류기에서 높은 정확도(87.40%)를 달성했으며, 낮은 서비스 지연 시간(0.1375 μs/이미지)과 추정 동적 에너지(31.6 nJ/이미지)를 보여주어 저비용 FPGA가 SNN 모델에 대한 재현 가능한 경로를 제공할 수 있음을 입증했습니다.
핵심 포인트
- PyTorch 기반 SNN의 하드웨어 배포와 소프트웨어 프레임워크 간의 분열 문제를 해결하는 공동 설계 프레임워크를 제안함.
- 단일 아티팩트가 모델 정의(가중치, 임계값 등)와 디코딩 메타데이터를 모두 포함하여 재사용성을 높임.
- 저비용 FPGA 플랫폼을 사용하여 87.40%의 정확도를 달성하는 MNIST TTFS 분류기를 구현함.
- 실제 하드웨어 성능 지표로 낮은 서비스 지연 시간(0.1375 μs/이미지)과 추정 동적 에너지(31.6 nJ/이미지)를 제시하여 효율성을 입증함.
저비용 FPGA 플랫폼은 뉴로모픽 시스템 연구 접근성을 확대할 수 있으나, 현재 스파이킹 신경망 (SNN) 워크플로는 PyTorch 스타일 개발과 통합이 어려운 하드웨어 우선 구현과 시뮬레이션 또는 GPU 실행에서 멈추는 경우가 많은 소프트웨어 우선 프레임워크 간에 분열되어 있습니다. 본 논문은 PyTorch 로 정의된 SNN 의 결정론적 배포를 위한 의미 보존형 하드웨어 - 소프트웨어 공동 설계 프레임워크를 제시합니다. 단일导出 아티팩트가 소프트웨어 정의에서 보드 실행까지 가중치, 임계값, 연결성 설명자 및 그룹화된 시간-첫 번째 스파이크 (TTFS) 디코딩 메타데이터를 운반하며, 소프트웨어 참조와 보드 런타임 모두에서 변경 없이 재사용됩니다. 라우팅된 80 MHz 설계로 구현된 10 클래스 MNIST TTFS 분류기는 87.40% 의 정확도를 달성하며, 모든 10,000 장의 테스트 이미지에서 소프트웨어 참조와 일치합니다. 프로그래밍 가능 로직 경로는 0.1375 μs/이미지의 서비스 지연 시간과 31.6 nJ/이미지의 추정 동적 에너지를 제공하며, 매칭된 GPU 와 CPU 기준선과 범위에 대한 비교는 가속기 전용 및 시스템 수준 측정치를 구별하게 합니다. 이러한 결과는 저비용 이벤트 기반 FPGA 하드웨어가 소프트웨어 정의 SNN 모델에 대해 직접적이고 재현 가능한 소프트웨어 - 보드 경로를 제공할 수 있음을 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기