CLP-SNN: Rete Neurale Spike per Apprendimento Continuo Online su Intel Loihi 2
Uno studio introduce CLP-SNN, una rete neurale spike sviluppata in collaborazione con il processore neuromorfico Loihi 2 di Intel, progettata per facilitare l'apprendimento continuo online su dispositivi edge. Questa rete impiega un meccanismo di apprendimento locale auto-normalizzante e una macchina a stati neurali guidata da spike, consentendo l'apprendimento autonomo on-chip e prevenendo il dimenticanza catastrofica. Negli esperimenti few-shot su OpenLORIS, CLP-SNN raggiunge un'accuratezza basata sul replay senza necessità di ripetizioni. Testata su Loihi 2, dimostra una latenza 113 volte inferiore (0,33 ms rispetto a 37,3 ms) e un consumo energetico 6.600 volte inferiore (0,05 mJ rispetto a 333 mJ) rispetto al miglior baseline edge-GPU. Questi miglioramenti derivano dall'efficienza algoritmica e dal co-design hardware neuromorfico, mostrando il potenziale degli algoritmi ispirati al cervello nei sistemi AI energeticamente efficienti.
Fatti principali
- CLP-SNN è una rete neurale spike per l'apprendimento continuo online.
- È implementata sul processore neuromorfico Loihi 2 di Intel.
- CLP-SNN utilizza una regola di apprendimento locale auto-normalizzante e una macchina a stati neurali guidata da spike.
- Negli esperimenti few-shot su OpenLORIS, CLP-SNN eguaglia l'accuratezza basata sul replay senza ripetizioni.
- Su Loihi 2, CLP-SNN raggiunge una latenza 113x inferiore (0,33 ms vs. 37,3 ms) rispetto a edge-GPU.
- Su Loihi 2, CLP-SNN raggiunge un'energia 6.600x inferiore (0,05 mJ vs. 333 mJ) rispetto a edge-GPU.
- L'efficienza algoritmica contribuisce a ~14,5x di latenza e ~22,6x di energia sulla stessa GPU.
- Il co-design hardware neuromorfico contribuisce a ~7,8x di latenza e ~295x di energia.
Entità
Istituzioni
- Intel