Nauja daugiabranduolė neuromorfinė architektūra leidžia tiesiogiai treniruoti impulsinius neuroninius tinklus vietoje tradicinių GPU. Tai svarbu įrenginiams, kuriems svarbus energijos taupymas ir maža vėlinimas, pavyzdžiui, kraštiniams DI sprendimams.

Didelė našumo pergalė

Architektūra apima trijų variklių – Feedforward‑Propagation, Back‑Propagation ir Weight‑Gradient – integraciją kiekviename branduolyje, todėl pasiekiama 190 % ~ 330 % našumo lygis, lyginant su Jetson Orin procesoriumi. „Our architecture achieves a high energy efficiency of 1.05 TFLOPS/W @ FP16 @ 28 nm, with a 55 ~ 85 % reduction of memory access compared to the A100 GPU in training.“ – Research Team. Įdiegus sparsity‑aware (retkumo) grandines, energijos suvartojimas sumažėja 45 % – 60 %, o DRAM prieiga sumažėja 55 % ~ 85 % lyginant su A100 GPU. „We developed a multi‑core neuromorphic architecture with Feedforward‑Propagation, Back‑Propagation, and Weight‑Gradient engines in each core, supporting highly efficient parallel computing at both the engine and core levels, achieving 190% ~ 330% performance of Jetson Orin.“ – Research Team. Ši energijos ir atminties efektyvumas yra ypač svarbus kraštiniams DI, kur įrenginiai veikia iš baterijos.

Ribos lieka

Nors našumas įspūdingas, praktinis įgyvendinimas susiduria su keliais iššūkiais. Analoginis įgyvendinimas patiria triukšmą, gamybinius netiesiškumus ir komponentų variacijas, todėl būtini specialūs, aparatūrai pritaikyti treniravimo ir simuliacijos įrankiai. „Neuromorphic computing represents a significant pathway for highly efficient intelligent computation in energijos‑constrained edges, but existing neuromorphic architectures lack the ability of directly mokymo spiking neural networks based on backpropagation.“ – Research Team. Be to, didelė duomenų srauto reikalingumas SNN mokymui kelia didelį spaudimą tarpinės atminties (DRAM) prieigai, kas padidina energijos sąnaudas.

Molekuliniai neuromorfiniai įrenginiai

Vienos molekulės lygmenyje sukurtas neuromorfinis įrenginys sunaudoja vos ~6.34 aJ per perjungimą – tai aJ (atto‑džoulio) lygio energijos sąnaudos. „Our approach enables multi‑state synaptic emulation using an individual molecule toward energy‑sustainable AI.“ – Research Team. Įrenginys demonstruoja daugiau nei dešimt skirtingų laidumo būsenų, leidžiančių imituoti trumpalaikę ir ilgalaikę atmintį bei atlikti asociatyvų mokymą, pavyzdžiui, Pavlovian kondicionavimą ir Morzės kodo atpažinimą. Ši technologija atveria galimybę kurti itin energiją taupančius DI komponentus, tačiau šiuo metu ji išlieka ankstyvoje eksperimentinėje stadijoje.

Ekosistemos ir projektų vaidmuo

Sėkmingam neuromorfinės kompiuterijos pritaikymui būtina visapusiška ekosistema, apimanti modelių kompiliavimą, instrukcijų srauto generavimą ir atminties (SRAM, DRAM) valdymą. „We advise you on all strategic and technological questions related to the complex topic of neuromorphic computing.“ – Fraunhofer IIS. Projektas KI‑FLEX kuria lankstų neuromorfinį platformą, skirtą tiesioginiam DI integravimui į automobilius, o Fraunhofer IIS kuria įrankius efektyviam SNN atvaizdavimui į įterptąją aparatūrą. Šios iniciatyvos rodo, kad nepakanka tik lustų dizaino – svarbu ir programinės įrangos bei aparatūros glaudus bendradarbiavimas.

Detalių dar trūksta. Per artimiausius metus neuromorfinės architektūros sėkmė priklausys nuo to, kaip greitai bus įveikti gamybos netikslumai ir sukurtos patikimos programinės įrangos priemonės. Electronica 2026 mugėje, vykstančioje Miunchene nuo lapkričio 10 iki 13 dienos, bus galima susipažinti su šios srities naujausiais pasiekimais ir aptarti techninius iššūkius su ekspertais. Sėkmė priklausys nuo gebėjimo suderinti biologinį efektyvumą su pramoniniu patikimumu.

Šaltiniai

  1. [1] [Nature.com | Wed, 25 Ma] A highly energy-efficient multi-core neuromorphic architecture for training deep spiking neural networks
  2. [2] [Nature.com | Tue, 31 Ma] Single-molecule neuromorphic device with aJ-level power consumption per switching
  3. [3] [Iis.fraunhofer.de | 2026-08-11] Neuromorphic Computing
  4. [4] [En.wikipedia.org | 2026-08-10] Neuromorphic computing