[논문 리뷰] Simulation studies of an All-Spin Artificial Neural Network: Emulating neural and synaptic functionalities through domain wall motion in ferromagnets.

Abhronil Sengupta, Yong Shim외 1명|arXiv (Cornell University)|2015. 10. 02.

Advanced Memory and Neural Computing인용 수 3

한 줄 요약

이 논문은 페로자성체에서의 도메인 벽 운동을 이용해 단일 스핀트로닉스 장치가 뉴런과 시냅스를 모두 모방하는 올스핀 인공신경망을 제안한다. 이는 초저전력 신경계산을 가능하게 한다. 장치 수준의 시뮬레이션 결과, 패턴 인식 작업에서 기존 CMOS 구현 대비 약 100배의 에너지 절감 효과를 보였다.

ABSTRACT

Non-Boolean computing based on emerging post-CMOS technologies can potentially pave the way for low-power neural computing platforms. However, existing work on such emerging neuromorphic architectures have either focused on solely mimicking the neuron, or the synapse functionality. While memristive devices have been proposed to emulate biological synapses, spintronic devices have proved to be efficient at performing the thresholding operation of the neuron at ultra-low currents. In this work, we propose an All-Spin Artificial Neural Network where a single spintronic device acts as the basic building block of the system. The device offers a direct mapping to synapse and neuron functionalities in the brain while inter-layer network communication is accomplished via CMOS transistors. To the best of our knowledge, this is the first demonstration of a neural architecture where a single nanoelectronic device is able to mimic both neurons and synapses. The ultra-low voltage operation of low resistance magneto-metallic neurons enables the low-voltage operation of the array of spintronic synapses, thereby leading to ultra-low power neural architectures. Device-level simulations, calibrated to experimental results, was used to drive the circuit and system level simulations of the neural network for a standard pattern recognition problem. Simulation studies indicate energy savings by ~ 100x in comparison to a corresponding digital/ analog CMOS neuron implementation.

연구 동기 및 목표

• 단일 나노전자 장치에서 뉴런과 시냅스 功能을 통합한 초저전력 뉴모르픽 아키텍처를 개발하는 것.
• 기존의 후-CMOS 뉴모르픽 설계가 뉴런이나 시냅스를 별도로 모방하는 데에 국한되어 있는 한계를 극복하는 것.
• 저저항성 자성 금속 뉴런의 임계값 설정 능력을 활용해 신경망의 초저전압 작동을 가능하게 하는 것.
• 표준 패턴 인식 벤치마크를 사용해 캘리브레이션된 장치 및 회로 시뮬레이션을 통해 시스템 수준의 실현 가능성을 입증하는 것.

제안 방법

• 자기성 물질에서의 도메인 벽 운동을 기반으로 한 단일 스핀트로닉스 장치를 사용해 시냅스 가중치 설정과 뉴런의 임계값 설정 기능을 동시에 수행한다.
• 신경망의 각 레이어 간 통신을 위해 CMOS 트랜지스터를 활용한다.
• 스핀트로닉스 행동의 현실적인 모델링을 확보하기 위해 장치 수준의 시뮬레이션을 실험 데이터에 캘리브레이션한다.
• 성능 평가를 위해 표준 패턴 인식 벤치마크를 사용해 회로 및 시스템 수준의 시뮬레이션을 수행한다.
• 자성 금속 뉴런의 초저전류 작동 특성을 활용해 전체 시냅스 어레이의 저전압 작동을 가능하게 한다.
• 스핀트로닉스 장치를 CMOS와 통합해 하이브리드 작동을 구현하며, 기존 인터커넥트와의 호환성을 확보한다.

실험 결과

연구 질문

• RQ1 단일 스핀트로닉스 장치가 신경망에서 시냅스 기능과 뉴런 기능을 동시에 모방할 수 있는가?
• RQ2 제안된 올스핀 ANN의 에너지 효율성은 기존의 디지털/아날로그 CMOS 기반 구현 대비 어떻게 비교되는가?
• RQ3 페로자성체에서의 도메인 벽 운동이 초저전압, 초저전력 신경계산을 얼마나 잘 실현할 수 있는가?
• RQ4 표준 패턴 인식 작업에서 올스핀 ANN의 시스템 수준 성능은 어떠한가?

주요 결과

• 제안된 올스핀 인공신경망은 동등한 디지털/아날로그 CMOS 뉴런 구현 대비 약 100배의 에너지 소비 감소를 달성한다.
• 단일 스핀트로닉스 장치가 도메인 벽 운동을 통해 시냅스 가중치 설정과 뉴런의 임계값 설정 기능을 성공적으로 모방한다.
• 저저항성 자성 금속 뉴런 덕분에 초저전압 작동이 가능해져 전력 소모가 크게 감소한다.
• 장치 수준의 시뮬레이션은 실험 결과에 성공적으로 캘리브레이션되어 시스템 수준의 시뮬레이션에서 신뢰성을 확보했다.
• 시스템 수준의 시뮬레이션은 하이브리드 스핀트로닉스-CMOS 아키텍처를 사용해 패턴 인식 작업에 대한 실현 가능성을 입증했다.
• 이 아키텍처는 한 개의 나노전자 장치가 뉴런과 시냅스의 이중 기능을 수행하는 최초의 신경 시스템을 보여주는 것이다.