Descrizione del progetto
I dispositivi bio-ispirati ad alta efficienza energetica accelerano il percorso verso il brain-like computing
L’informatica neuro-ispirata impiega tecnologie che consentono l’utilizzo di hardware informatici ispirati al cervello per sistemi intelligenti più efficienti e adattativi. Imitando il sistema nervoso e il cervello umano, queste architetture di calcolo si candidano in maniera eccellente alla risoluzione di problemi di apprendimento associativo complessi e su larga scala. Il progetto NeurONN, finanziato dall’UE, metterà in mostra un paradigma di calcolo neuromorfico alternativo e innovativo basato su dispositivi e architetture efficienti dal punto di vista energetico. Nell’architettura di calcolo neuro-ispirata proposta, le informazioni verranno codificate nella fase di neuroni oscillanti accoppiati o reti neurali oscillatorie. I dispositivi di transizione metallo-isolante VO2 emuleranno i neuroni biologici, con un’efficienza prevista di 250 volte superiore a quella degli oscillatori digitali più all’avanguardia basati su tecnologia CMOS. Secondo le previsioni, i memristori 2D che emuleranno le sinapsi saranno 330 volte più efficienti rispetto allo stato dell’arte.
Obiettivo
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.
Campo scientifico
Parole chiave
Programma(i)
Argomento(i)
Meccanismo di finanziamento
RIA - Research and Innovation actionCoordinatore
75794 Paris
Francia