Derin Sıçrama Sinir Ağlarını Eğitmek İçin Yüksek Enerji Verimliliğine Sahip Çok Çekirdekli Nöromorfik Mimari

Kenar cihazlar için daha akıllı öğrenme

Telefonlarımız, kameralarımız ve küçük sensörlerimiz daha akıllı hale geliyor, ancak onlara yeni yetenekler öğretmek genellikle yüksek enerji tüketen veri merkezlerini gerektirir. Bu makale, küçük cihazlarda doğrudan öğrenebilen ve bugünkü grafik işlemcilere kıyasla çok daha az enerji kullanan beyin esinli yeni bir çip türünü tanıtıyor. Amaç, esnek ve gizliliğe uygun öğrenmeyi bulutun sürekli desteğine ihtiyaç duymadan hızlı tepki vermesi gereken otomobillere, insansız hava araçlarına ve diğer cihazlara taşımak.

Beyin benzeri çiplerin önemi

GPU gibi geleneksel çipler sayı işlemekte mükemmeldir, ancak çok fazla enerji harcarlar ve uzak sunuculara hızlı bağlantılara bağımlıdırlar. Trafik izleme veya drone navigasyonu gibi görevlerde ham veriyi buluta göndermek yavaş olabilir ve özel bilgileri açığa çıkarabilir. Nöromorfik hesaplama, beyin hücreleri ağlarının kısa elektriksel sıçramalarla nasıl iletişim kurduğunu taklit ederek farklı bir yaklaşım benimser. Sıçrama sinir ağları daha az işlemle yüksek doğruluk vaat eder ve bu da onları ağın ucuna yerleştirilen düşük güçlü cihazlar için cazip kılar.

Sıçrama donanımında eksik olan parça

Birçok araştırma çipi zaten sıçrama ağlarını verimli çalıştırıyor, ancak bunların neredeyse tamamı önemli bir sınırlamayı paylaşıyor: sabit eğitilmiş bir modeli kullanmakta iyiler ama büyük derin sıçrama ağlarını kendi başlarına eğitme konusunda zayıf kalıyorlar. Çoğu basit yerel öğrenme kurallarına dayanıyor veya ağır çift yönlü eğitim sürecini GPU’lara devrediyor. Bu da tasarımcıların öğrenme sırasında potansiyel enerji tasarrufunu tam olarak kullanamamasına neden oluyor ve yeni trafik işaretleri veya aydınlatma koşulları gibi değişikliklere küçük cihazların anında uyum sağlamasını zorlaştırıyor.

Çip üzerinde öğrenme için yeni bir çok çekirdekli tasarım

Yazarlar, her çekirdekte üç işbirlikçi motorun bulunduğu çok çekirdekli bir nöromorfik mimari tanıtıyor: ağ boyunca ileri yönde akan sinyalleri işleyen bir motor, hata bilgisini geriye gönderen bir motor ve bağlantı güçlerini güncelleyen bir motor. Bu çekirdekler iki boyutlu bir ızgarada birbirine bağlı, böylece derin bir sıçrama ağının farklı katmanları farklı çekirdeklere yerleştirilebiliyor ve paralel çalışabiliyor. Özenle tasarlanmış bir iletişim ağı, hem hızlı tek bitlik sıçramaları hem de daha yavaş hassas değerleri sıçramaların zamanlamasıyla senkronize biçimde çekirdekler arasında taşıyor; buna karşın yakın bellek (near memory) tasarımı verilerin çoğunu çip üzerinde tutarak harici belleğe yapılan pahalı erişimleri azaltıyor.

Daha az veri hareketiyle daha fazlasını yapmak

Her motorun içinde donanım, sıçrama etkinliğinin dur-kalk doğasına göre ayarlanmış. Devreler, nöron gruplarının sessiz olduğu zamanları algılayıp gereksiz hesaplamaları ve bellek okumalarını atlıyor; bu strateji, standart görüntü tanıma modelleri üzerinde eğitim sırasında enerji kullanımını yaklaşık yarı yarıya azaltıyor. Tasarım ayrıca saklanan verileri mümkün olduğunca yeniden kullanıyor ve sıçramaları tek bit olarak depolayarak gereken harici bellek miktarını büyük ölçüde düşürüyor. ResNet ve VGG’nin popüler derin sıçrama versiyonlarıyla yapılan testlerde, prototip ham hesaplama kapasitesinin sadece yaklaşık yirmide biri olmasına rağmen güçlü bir A100 veri merkezi GPU’sunun eğitim hızının yaklaşık üçte birine kadar ulaşıyor ve açıkça bir Jetson Orin uç sisteminden daha iyi performans gösteriyor.

Laboratuvar prototipinden gerçek uç öğrenmeye

Fikrin simülasyonların ötesinde işe yaradığını göstermek için ekip, mimarinin daha küçük bir versiyonunu birden fazla FPGA kartına haritalandırdı ve sıçrama ağlarını standart görüntü ve olay tabanlı jest veri kümeleri üzerinde eğitti. Sistem, örneklerin yeni türleri ortaya çıktıkça modellerin güncellendiği sürekli öğrenmeyi ve birkaç cihazın yerel olarak eğitip yalnızca sıkıştırılmış güncellemeleri paylaştığı federated öğrenmeyi ele aldı. Her iki durumda da dağıtık sıçrama sistemi, ham verileri merkezileştirmeden doğruluğu artırdı; bu da birçok cihazın birlikte öğrenip enerji ve bant genişliği taleplerini kontrol altında tuttuğu geleceğin akıllı şehir ve robotik uygulamalarına işaret ediyor.

Günlük teknoloji için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma uç cihazların sıkı güç bütçelerine sığan beyin benzeri bir eğitim motoru inşa etmeyi gösteriyor. Birçok küçük öğrenme çekirdeğinin birleştirilmesi, akıllı veri yönlendirmesi ve gereksiz işleri agresif biçimde atlama sayesinde mimari, devasa veri merkezlerine yaslanmadan derin sıçrama ağlarını verimli biçimde eğitiyor. Çiplere dönüştürüldüğünde, bu tür tasarımlar kameraların, otomobillerin ve ev cihazlarının çevrelerinden gerçek zamanlı öğrenmesine yardımcı olabilir; aynı zamanda gizliliği koruyup enerji tasarrufu sağlayabilir.

Atıf: Li, M., Zhou, H., Xu, X. et al. A highly energy-efficient multi-core neuromorphic architecture for training deep spiking neural networks. Nat Commun 17, 4403 (2026). https://doi.org/10.1038/s41467-026-70586-x

Anahtar kelimeler: nöromorfik bilgisayar, sıçrama sinir ağları, uç AI, düşük güçlü donanım, çip üzerinde öğrenme