Vous êtes ici : Accueil > Des réseaux de neurones plus rapides et moins gourmands en énergie grâce à NeuroSpike

Actualité

Ingénierie logicielle et système

Des réseaux de neurones plus rapides et moins gourmands en énergie grâce à NeuroSpike


​Une exécution optimisée d’un modèle impulsionnel complet de réseaux de neurones convolutionnels a pu être réalisée pour la première fois grâce à NeuroSpike, calculateur développé et breveté par le List, institut de CEA Tech.

Publié le 1 octobre 2018

​Au cœur des nouvelles méthodes de traitement de données 2D, les réseaux de neurones convolutionnels (CNN) sont largement utilisés, notamment pour la reconnaissance et la classification d’images. Le List vient de mettre au point un calculateur rendant possible l’exécution optimisée de ces réseaux de neurones sur la base de modèles impulsionnels*, lesquels permettent théoriquement de diminuer les ressources matérielles et énergétiques nécessaires à l’analyse des données (étape appelée « inférence »).

De fait, l’utilisation des modèles impulsionnels pour les CNN impose un codage des données sous forme d’impulsions qui parcourent une diversité de neurones artificiels agencés en différents types de couches. Ce codage particulier nécessite une architecture matérielle spécifique, afin de bénéficier pleinement des bonnes propriétés de celui-ci, et ainsi réaliser les calculs de manière la plus efficace possible. NeuroSpike, le calculateur développé à cet effet par le List, est la première architecture matérielle permettant le calcul efficace de l’inférence impulsionnelle d’un CNN complet.

Au final, le NeuroSpike consomme 11 fois moins et est 4 fois plus rapide pour le traitement des données que les architectures impulsionnelles spécialisées dans le calcul de l’inférence de convolutions 2D. Il a déjà fait l’objet de trois brevets.

*les modèles impulsionnels sont des méthodes de traitement de données codées sous forme d’impulsions  entrant dans un réseau de neurones. Les neurones impulsionnels utilisent  des opérateurs moins complexes et moins coûteux en énergie que les modèles classiques, mais nécessitent plus de mémoire que ces derniers.

Haut de page

Haut de page