Исаков Тим Тимурович, Бахшиев Александр Валерьевич, Корсаков Антон Михайлович

Санкт-Петербургский политехнический университет Петра Великого, ООО Системы Компьютерного зрения, Россия, Санкт-Петербург, Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики

Аннотация. Спайковые нейронные сети — это класс нейронных сетей, имеющих в своей основе биоподобные модели нейрона. Спайковая природа таких сетей при наличии специализированных вычислителей позволяет достигать показателей энергоэффективности на порядки выше, чем у классических нейронных сетей, что является особо важным для встраивания нейронных сетей в автономные системы. Однако, на данный момент таких вычислителей нет в открытом доступе, поэтому хорошей альтернативой являются ПЛИС. Одним из классов спайковых моделей нейронов являются сегментные модели. Сегментные модели, в отличие от точечных, позволяют учитывать структуру нейрона, что, в свою очередь, позволяет воссоздавать более сложную динамику нейронных структур. Существующие нейроморфные вычислители позволяют реализовать только ограниченный набор спайковых моделей, что также является поводом для использования ПЛИС. На данный момент нет работ по аппаратной реализации сегментных моделей нейрона, поэтому данная работа является актуальной. В ходе работы были выполнены аппроксимация и аппаратная реализация CSNM модели (Compartmental spiking neuron model) на ПЛИС. Для проверки работоспособности полученной реализации был построен классификатор данных IRIS. На основе результатов был сделан вывод, что полученная модель имеет конкурентные показатели по количеству используемых ресурсов ПЛИС, а скорость расчетов при этом на три порядка выше, чем на компьютере. Точность полученной реализации уступает другим работам по причине использования малого количества нейронов и грубой аппроксимации. Дальнейшие исследования методов аппроксимации и алгоритмов инкрементного обучения позволят увеличить точность. Также планируется использовать оперативную память в целях масштабирования моделей и оптимизации вычислений. Еще одним направлением дальнейших работ является реализация обучения на чипе, как в целях ускорения тестирования моделей, так и для исследований обучения с подкреплением.

спайковые нейронные сети, классификация, программируемая логика