[論文レビュー] The Operating System of the Neuromorphic BrainScaleS-1 System

Eric Müller, S. Schmitt+20 more|arXiv (Cornell University)|Mar 30, 2020

Advanced Memory and Neural Computing被引用数 7

ひとこと要約

この論文では、ウェーハスケール神経ミメティックなBrainScaleS-1システム上で実験を構成・制御・分析できる包括的なソフトウェアスタックであるBrainScaleS OSを提示する。PyNNベースの高水準なネットワーク記述をサポートするとともに、熟練者向けの低水準アクセスを可能にし、継続的インテグレーションやバージョン管理などの現代的なソフトウェア工学的手法を通じて再現性、スケーラビリティ、効率的なリソース管理を実現する。

ABSTRACT

BrainScaleS-1 is a wafer-scale mixed-signal accelerated neuromorphic system targeted for research in the fields of computational neuroscience and beyond-von-Neumann computing. The BrainScaleS Operating System (BrainScaleS OS) is a software stack giving users the possibility to emulate networks described in the high-level network description language PyNN with minimal knowledge of the system. At the same time, expert usage is facilitated by allowing to hook into the system at any depth of the stack. We present operation and development methodologies implemented for the BrainScaleS-1 neuromorphic architecture and walk through the individual components of BrainScaleS OS constituting the software stack for BrainScaleS-1 platform operation.

研究の動機と目的

• 低レベルのハードウェアの複雑さを抽象化し、BrainScaleS-1神経ミメティックシステムに対して統合的で使いやすいソフトウェアインターフェースを提供すること。
• PyNNを介した高水準なシミュレーションワークフローと熟練者向けの低水準なシステムアクセスを両立させること。
• 継続的インテグレーションやバージョン管理などの現代的なソフトウェア工学的手法を通じて、実験の再現性とプラットフォームの持続可能性を確保すること。
• 大規模神経ミメティック実験における効率的なリソース管理、ランタイム制御、およびデータ処理を可能にすること。
• 構造的なソフトウェア工学手法を用いて、神経ミメティックプラットフォームの長期的発展とスケーラビリティを支援すること。

提案手法

• ハードウェアの詳細を抽象化し、PyNNインターフェースを通じた高水準な設定を可能にする、多層構造のソフトウェアスタックの設計および実装。
• ソフトウェアの堅牢性と再現性を確保するため、継続的インテグレーション、コードレビュー、自動デプロイメントパイプラインの活用。
• 実験間でのシステム状態と構成を管理するためのステートフルな構成レイヤーの開発。
• 神経ネットワークトポロジーをウェーハスケールアーキテクチャ上の有効なハードウェア構成に変換するマップ＆ルーティングレイヤーの実装。
• ランタイム制御と結果分析のためのシミュレーションバックエンドおよびシステムレベルのモニタリングツールの実装。
• ウェーハ外I/Oおよびデータ交換のための、セキュアで高帯域幅な通信プロトコル（1ギガビットおよび10ギガビットイーサーネット）の統合。

実験結果

リサーチクエスチョン

• RQ1 BrainScaleS-1のような複雑な神経ミメティックシステムを、低レベルのハードウェア知識が最小限の研究者にも利用可能にするにはどうすればよいか？
• RQ2 長期的なプラットフォームの持続可能性と実験の再現性を確保するために必要なソフトウェア工学的手法は何か？
• RQ3 PyNNにおける高水準な神経ネットワーク記述を、ウェーハスケール神経ミメティックアーキテクチャに効率的にコンパイルおよびマッピングするにはどうすればよいか？
• RQ4 システムリソースの管理、ランタイム動作のモニタリング、大規模なデータ出力の処理に必要なメカニズムは何か？
• RQ5 高水準な使いやすさと熟練者向けの低水準なカスタマイズ性を両立させるにはどうすればよいか？

主な発見

• BrainScaleS OSは、低レベルの知識を最小限に抑えつつ、高水準なPyNN記述を用いて複雑な神経ミメティック実験を実行可能にした。
• システムは生物学的実時間の1000〜10,000倍のスピードアップで時間圧縮シミュレーションを実行でき、可塑性や学習プロセスの効率的解析を可能にした。
• ソフトウェアスタックは複数の出版論文および修士・博士課程の研究プロジェクトで使用されており、実際の研究現場における信頼性と使いやすさを実証した。
• 継続的インテグレーションおよびデプロイメントパイプラインの統合により、ソフトウェアの堅牢性が顕著に向上し、技術的負債が削減された。
• マップ＆ルーティングレイヤーは、ブラックリストに登録されたコンponentを含む非理想的なハードウェア状態に対しても、最適化アルゴリズムにより効果的に対処できた。
• システムレベルのモニタリングおよび制御ソフトウェアにより、実行中における実時間での実験パラメータの観察と調整が可能になった。