ACM通信
研究突出了
技术角度:种族逻辑提出了一种新的编码形式
摩尔定律和登纳德尺度正在减弱。然而，由于大数据和机器学习的进步，对具有不断增长的计算能力和功率/能源效率的计算机系统的需求仍然有增无减。数据分析、机器人、视觉、自然语言处理等不同领域的未来取决于每瓦系统性能的持续增长，即使传统CMOS的增长已经结束。
下面的论文提出了一个惊人的，新颖的，创造性的方法后摩尔定律计算通过重新思考数字/模拟边界。其中心思想是重新审视数据表示的思想，并说明它是一个跨越硬件和软件层的关键设计选择。
特别是，作者提出了种族逻辑，其中的关键思想是将值编码为来自某些引用的延迟。与纯模拟方法不同，竞争逻辑继续以二进制形式对数据进行编码。然而，与传统的数字逻辑不同的是时间在信号从0转换到1的位置对值进行编码。换句话说，信号的相对传播时间通常被认为是现代数字技术必须解决的设计问题，它成为一种设计特性，并被用于执行计算。由于它对数据竞争的依赖，与传统的数字逻辑相比，这种计算享有较少的“位翻转”和更少的导线。与传统的数字设计相比，其好处是显著提高了能源效率。
一个关键问题是竞赛逻辑对不同类别的计算的适用性。当然，并不是所有的计算都适合这些编码，但是那些可以显著受益的。本文表明，机器学习分类可能是这样的目标之一。特别是，作者展示了如何使用竞赛逻辑来“逆转”和“扁平化”决策树，这是可解释AI的一个广泛应用和有前途的候选者，并为集成树学习构建了一个可编程的竞赛树硬件加速器。通过工程上的力作，作者通过对加速器的ASIC设计、FPGA上的功能性RTL实现、竞赛逻辑基础原语的SPICE模型合成以及scikit-learn的完全自动化工具链的能量、吞吐量和区域利用率的研究来验证他们的研究假设。其结果是一个从软件结构到设备配置的完整堆栈和异常详细的研究。
这篇论文将对计算社区产生广泛的兴趣，因为它暗示了许多值得科学探究的诱人的研究问题。也许最自然的一个是种族逻辑对机器学习的承诺。边缘和物联网设备对超节能机器学习的需求已经非常迫切。动态视觉传感器、基于时间的图像传感器、到第一个峰值的时间和飞行摄像机的时间，以及基于地址事件表示的声音传感器，这些系统都有望驱动复杂的学习算法，而竞赛逻辑特别适合减少它们的能量需求。为了充分实现这些好处，需要进一步研究自动化设计工具和支持大规模竞争逻辑的流程，以及软件开发环境、领域特定语言、编译器等。
下面的论文将对计算社区产生广泛的兴趣，因为它暗示了许多诱人的研究问题，值得探究。
也许更贴近我的心的是种族逻辑所依据的更为抽象的原则。在其核心，种族逻辑的灵感来自神经科学家相信大脑如何计算的几个方面。这些包括，例如，时间编码计算的概念，径向基函数的概念，更大的信号可以更快地触发神经元，包括种族逻辑原语，这些原语是由新皮层中抑制性突触后电位激发的。长期以来，计算机科学家一直着迷于从生物学和自然中吸取教训，为计算构建更好的抽象概念和方法，刺激对神经形态系统、自然算法、智能出现等的研究。这些努力经常面临以下问题:将生物学/自然的概念复制到系统/算法中，在多大程度上有用?例如，计算机系统依赖于硅和数字技术，这一事实与用来实现生命的元素和蛋白质不同，这是否意味着需要考虑来自自然计算的更抽象的原则?如果是这样，那么什么是适合于计算机系统模拟的来自自然的抽象?
种族逻辑为这场辩论提供了一个视角，它提升了大脑中计算的基本原理，并将它们抽象出来，使它们可能适合使用硅技术进行部署。我相信这是使竞赛逻辑在所有三个传感器层、学习算法和架构层上实现效率的原因。正如作者所指出的，实现这三个是罕见的，我相信，证明了这篇论文的教育价值。
我希望你像我一样喜欢阅读种族逻辑。
数字图书馆是由计算机协会出版的。版权所有©2021 ACM, Inc。
没有发现记录