Opis projektu
Energooszczędne, inspirowane naturą urządzenia przyspieszają budowę systemów obliczeniowych zbliżonych działaniem do ludzkiego mózgu
Obliczenia inspirowane budową mózgu umożliwiają tworzenie bardziej wydajnych i adaptacyjnych systemów inteligentnych. Wzorowane na ludzkim mózgu i układzie nerwowym, te architektury obliczeniowe oferują ogromny potencjał w zakresie rozwiązywania złożonych i wielkoskalowych problemów w zakresie uczenia asocjacyjnego. Finansowany przez UE projekt NeurONN ma opracować nowatorski i alternatywny paradygmat obliczeń neuromorficznych, oparty na energooszczędnych urządzeniach i architekturze. W proponowanej architekturze obliczeniowej informacje będą kodowane w fazie sprzężonych oscylujących neuronów lub oscylacyjnych sieci neuronowych. Urządzenia wykorzystujące przejścia metal-izolator VO2 będą emulować biologiczne neurony i mają być 250 razy bardziej wydajne niż najnowocześniejsze cyfrowe oscylatory wykorzystujące technologię CMOS. Ich dwuwymiarowe memrystory, które będą emulować synapsy, mają być 330 razy bardziej wydajne niż ich istniejące odpowiedniki.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-ICT-2019-2
System finansowania
RIA - Research and Innovation actionKoordynator
75794 Paris
Francja