AI-hardware en softwarestack

Wat is de belangrijkste reden dat hardware voor neuromorf rekenen een laag energieverbruik kan nastreven?

  1. AAlle neuronen werken altijd tegelijk op een hoge klokfrequentie
  2. BAlle berekeningen worden uitgevoerd in 64-bits drijvende komma
  3. CZe werkt gebeurtenisgestuurd, zodat alleen de delen actief zijn die spikes ontvangen, en het geheugen met de gewichten staat dicht bij de rekeneenheden om gegevensverplaatsing te beperken
Antwoord en toelichting tonen

Antwoord: C. Ze werkt gebeurtenisgestuurd, zodat alleen de delen actief zijn die spikes ontvangen, en het geheugen met de gewichten staat dicht bij de rekeneenheden om gegevensverplaatsing te beperken

Neuromorf rekenen neemt de neurale circuits van de hersenen als model en geeft informatie door als pulsen die spikes heten. Alleen de delen die een spike ontvangen wanneer de invoer verandert, zijn actief, dus bij werklasten met weinig activiteit verbruiken circuits die niets doen nauwelijks energie. De synapsgewichten staan in geheugen binnen elke kern, wat lange gegevensverplaatsingen van en naar de rekeneenheden beperkt. Deze kenmerken onderscheiden het van GPU's, die dichte matrixbewerkingen allemaal tegelijk uitvoeren.

Dit onderwerp oefenen Naar de onderwerppagina

Meer vragen over AI-hardware en softwarestack

  1. Wat is de belangrijkste reden dat spiking neural networks (SNN's), de modellen die bij neuromorf rekenen worden uitgevoerd, moeilijk rechtstreeks te trainen zijn met de backpropagatie die voor gewone neurale netwerken wordt gebruikt?
  2. Welke uitspraak over het verschil tussen "training" en "inferentie" van een neuraal netwerk is juist?
  3. Welke van de volgende is GEEN reden waarom het geheugen voor training veel groter is dan voor inferentie met hetzelfde model?
  4. Een model met 7 miljard (7B) parameters wordt getraind waarbij gewichten, gradiënten en de twee toestanden van Adam allemaal in FP32 (4 bytes) worden bijgehouden. Welke waarde benadert het benodigde geheugen, exclusief activaties, het best?
  5. Hoeveel bedraagt het geheugen voor de gewichten ongeveer wanneer de gewichten van een model met 7 miljard (7B) parameters in FP16 (2 bytes) worden bijgehouden?

Vergelijkingen bij dit onderwerp