НЕЙРОМОРФНІ ПРОЦЕСОРИ: ПРИНЦИПИ ПРОЕКТУВАННЯ ТА ПОРІВНЯЛЬНИЙ ОГЛЯД

Автор(и)

  • Катерина ЯЛОВА, канд. техн. наук, доц. Дніпровський державний технічний університет, м. Кам’янське, Україна Автор
  • Михайло БАБЕНКО, канд. техн. наук, доц. Дніпровський державний технічний університет, м. Кам’янське, Україна Автор

DOI:

https://doi.org/10.17721/AIT.2025.08

Ключові слова:

Нейроморфний процесор, нейроморфна архітектура, спайкова нейронна мережа

Анотація

Вступ. У статті розглядається науково-практична проблема проектування нейроморфних процесорів і систем на основі імпульсних нейронних мереж (SNN). Нейроморфні процесори становлять окремий клас обчислювальних систем, робота яких натхненна біологічними та фізичними принципами функціонування людського мозку. На відміну від традиційних архітектур фон Неймана, ці процесори інтегрують пам'ять і обчислення, забезпечуючи масовий паралелізм і енергоефективне виконання складних когнітивних завдань. Їх апаратна архітектура базується на нейронах і синапсах, а не на транзисторах.

Методи. У дослідженні застосовуються аналітичні та порівняльні методи для вивчення нейроморфних обчислювальних систем. Моделі імпульсних нейронів порівнюються за сферами застосування з детальним розглядом моделі «Інтегруй і стріляй» та її математичної формулювання. Також оцінюються методи навчання для SNN, з акцентом на механізмах оновлення ваги, енергоефективності та обчислювальній складності. Особлива увага приділяється Spike-Timing-Dependent Plasticity (STDP). Крім того, аналізується розгортання SNN на нейроморфних чіпах, включаючи розподіл ядер, оптимізацію маршрутизації, зберігання ваги та підтримку навчання.

Результати. Аналіз визначає переваги та обмеження моделей спайкових нейронів та методів навчання для нейроморфного обладнання. Модель «Інтегруй та стріляй» виявилася найбільш практичним інженерним рішенням завдяки своїй простоті та біологічній релевантності. STDP підтвердилася як ефективний механізм навчання, що підтримує адаптивну поведінку та енергоефективність. Вибір архітектурного дизайну виявився критично важливим для масштабованого та ефективного розгортання системи.

Висновки. У статті представлено порівняльний огляд сучасних нейроморфних процесорів з акцентом на архітектуру, енергоефективність та області застосування. Результати демонструють потенціал нейроморфних обчислень для реалізації SNN та вирішення складних когнітивних завдань. Стаття слугує стислим оглядом та довідником для подальших досліджень у галузі нейроморфної інженерії.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

  • автор Катерина ЯЛОВА, канд. техн. наук, доц., афіліація Дніпровський державний технічний університет, м. Кам’янське, Україна

    ORCID ID: 0000-0002-2687-5863

  • автор Михайло БАБЕНКО, канд. техн. наук, доц., афіліація Дніпровський державний технічний університет, м. Кам’янське, Україна

    ORCID ID: 0000-0003-1013-9383

Посилання

Ahmed, S. K., & Shereif, F. F. (2022). Neuromorphic computing between reality and future needs. Neuromorphic computing, 2, 1–15. https://doi.org/10.5772/intechopen.110097

Al Abdul Wahid, S., Asad, A., & Mohammadi, F. (2024). A survey on neuromorphic architectures for running artificial intelligence algorithms. Electronics,13(15), 2963. https://doi.org/10.3390/electronics13152963

Hendy, H., & Merkel, C. (2022). Review of spike-based neuromorphic computing for brain-inspired vision: biology, algorithms, and hardware. Journal of Electronic Imaging, 3 (1). https://doi.org/10.1117/1.JEI.31.1.010901

Li, T., Ma, Y., & Endoh, T. (2023). Neuromorphic processor-oriented hybrid Q-format multiplication with adaptive quantization for tiny YOLO3. Neural computing and applications, 35, 11013–11041. https://doi.org/10.1007/s00521-023-08280-y

Liu, T.-Y., Mahjoubfar, A., Prusinski, D., & Stevens, L. (2022). Neuromorphic computing for content-based image retrieval. PLoS ONE, 17(4), e0264364. https://doi.org/10.1371/journal.pone.0264364

Ma, D., Jin, X., Sun, S., Li, Y., Wu, X., Hu, Y., Yang, F., Tang, H., Zhu, X., Lin, P., & Pan, G. (2024). Darwin3: a large-scale neuromorphic chip with a novel ISA and on-chip learning. National Science Review, 11(5), nwae102. https://doi.org/10.1093/nsr/nwae102

Mehonic, A., Ielmini, D., Roy, K., Mutlu, O., Kvatinsky, S., Serrano-Gotarredona, T., Linares-Barranco, B., Spiga, S., Savel’ev, S., Balanov, A. G., Chawla, N., Desoli, G., Malavena, G., MonzioCompagnoni, C., Wang, Z., Yang, J. J., Sarwat, S. G., Sebastian, A., Mikolajick, T., ... Waser, R. (2024). Roadmap to neuromorphic computing with emerging technologies. APL Materials, 12(10). https://doi.org/10.1063/5.0179424

Ogbodo, M., Dang, K., Tomohide, F., & Abdallah, A. (2020). Architecture and design of a spiking neuron processor core towards the design of a large-scale event-driven 3D-NoC-based neuromorphic processor. SHS Web of Conferences, 77, 04003. https://doi.org/10.1051/shsconf/20207704003

Rose, G. S., Shawkat, M. S. A., Foshie, A. Z., Murray VI, J. J., & Adnan, M. M. (2021). A system design perspective on neuromorphic computer processors. Neuromorphic Computing and Engineering, 1, 022001. https://doi.org/10.1088/2634-4386/ac24f5

Schuman, C.D., Kulkarni, S.R., Parsa, M., Mitchell, J.P., Date, P., & Kay, B. (2022). Opportunities for neuromorphic computing algorithms and applications. Nature Computational Science, 2(1), 10–19. https://doi.org/10.1038/s43588-021-00184-y

Spectra. (n.d.). The history of Spiking Neural Network. Retrieved March 14, 2025, from https://spectra.mathpix.com/article/2022.09.00085/the-history-of-spiking-neural-network

Tang, G., Vadivel, K., Xu, Y., Bilgic, R., Shidqi, K., Detterer, P., Traferro, S., Konijnenburg, M., Sifalakis, M., van Schaik, G.-J., & Yousefzadeh, A. (2023). SENECA: building a fully digital neuromorphic processor, design trade-offs and challenges. Frontiers in Neuroscience, 17, 1187252. https://doi.org/10.3389/fnins.2023.1187252

Thakur, C. S., Molin, J. L., Cauwenberghs, G., Indiveri, G., Kumar, K., Qiao, N., Schemmel, J., Wang, R., Chicca, E., Olson Hasler, J., Seo, J.-S., Yu, S., Cao, Y., van Schaik, A., & Etienne-Cummings, R. (2018). Large-scale neuromorphic spiking array processors: a quest to mimic the brain. Frontiers in Neuroscience, 12, 891. https://doi.org/10.3389/fnins.2018.00891

Xiao, Y., Gao, C., Jin, J., Sun, W., Wang, B., Bao, Y., Liu, C., Huang, W., Zeng, H., & Yu, Y. (2024). Recent progress in neuromorphic computing from memristive devices to neuromorphic chips. Advanced devices and instrumentation, 5, 0044. https://doi.org/10.34133/adi.0044

Zhang, M., Gu, Z., &Pan, G. (2018). A survey of neuromorphic computing based on spiking neural networks. Chinese Journal of Electronics, 27(4), 667–674. https://doi.org/10.1049/cje.2018.05.006

Опубліковано

2026-05-06 – оновлено 2026-10-16

Версії

Номер

Розділ

Огляди й обговорення