Descripción del proyecto
Unos dispositivos bioinspirados de bajo consumo energético aceleran el desarrollo de la computación neuronal
La computación neuronal emplea tecnologías que permiten hardware informático inspirado en redes neuronales para sistemas inteligentes más eficientes y adaptables. Estas arquitecturas de computación imitan al encéfalo y al sistema nervioso humano y constituyen candidatos de primera para resolver problemas de aprendizaje asociativo complejos y a gran escala. El proyecto financiado con fondos europeos NeurONN demostrará un paradigma de computación neuromórfica novedoso y alternativo basado en dispositivos y arquitecturas energéticamente eficientes. En la arquitectura de computación neuronal propuesta, la información se codificará en la fase de neuronas oscilantes acopladas o redes neuronales oscilatorias. Los dispositivos de óxido de vanadio con transición aislante-metal emularán a las neuronas biológicas y se espera que sean 250 veces más eficientes que los osciladores digitales de última generación basados en metal-óxido-semiconductor complementario. Se espera que sus memristores bidimensionales, que emularán las sinapsis, sean 330 veces más eficientes que los memristores de última generación.
Objetivo
Neuro-inspired computing architectures are one of the leading candidates to solve complex and large-scale associative learning problems for AI applications. The two key building blocks for neuromorphic computing are the neuron and the synapse, which form the distributed computing and memory units. In the NeurONN project, we are proposing a novel neuro-inspired computing architecture where information is encoded in the “phase” of coupled oscillating neurons or oscillatory neural networks (ONN). Specifically, VO2 metal-insulator transition (MIT) devices and 2D memristors will be developed as neurons and synapses for hardware implementations. We predict VO2 MIT devices are up to 250X more energy efficient than state of the art digital CMOS based oscillators, where 2D memristors are up to 330X more energy efficient than state of the art TiO2 memristors. Moreover, the predicted energy efficiency gain of ONN architecture vs state of the art spiking neural network (SNN) architecture is up to 40X. Thus, NeurONN will showcase a novel and alternative energy efficient neuromorphic computing paradigm based on energy efficient devices and architectures. Such ONN will demonstrate synchronization and coupling dynamics for establishing collective learning behavior, in addition to desirable characteristics such as scaling, ultra-low power computation, and high computing performance. NeurONN aims to develop the first-ever ONN hardware platform (targeting two demonstrators) and complete with an ONN design methodology toolbox covering aspects from ONN architecture design to algorithms in order to facilitate adoption, testing and experimentation of ONN demonstrator chips by all potential users to unleash the potential of ONN technology.
Ámbito científico
Palabras clave
Programa(s)
Convocatoria de propuestas
Consulte otros proyectos de esta convocatoriaConvocatoria de subcontratación
H2020-ICT-2019-2
Régimen de financiación
RIA - Research and Innovation actionCoordinador
75794 Paris
Francia