Applying highly accurate neural networks to mobile devices encounters energy problems in battery-limited mobile environments. To resolve these problems, neuromorphic hardware solutions that enable event-driven operation have been proposed. In this work, we present a novel sparse neuromorphic system that implements an E-I Net algorithm to further improve energy efficiency. We introduce a neuron clock-gating technique that significantly reduces energy consumption by predicting future neuron spike activity without any loss of accuracy. We also propose synaptic pruning to save additional energy with minimal impact on classification accuracy. For fast adaptation to a changing environment, a learning algorithm is implemented in the proposed system. Compared to prior studies, our experimental results illustrate that the proposed system achieves $6.9^×-15.0^×$ energy efficiency improvement with comparable accuracy.
배터리 용량이 제한된 모바일 환경에 정확도가 높은 뉴럴네트워크를 적용하는 상황에서 에너지 문제가 발생한다. 이러한 문제를 해결하기 위해 이벤트 구동형 동작이 가능한 뉴로모픽 하드웨어가 제안되고 있다. 이 논문에서는 기존의 뉴로모픽 하드웨어보다 에너지 효율을 더 높이기 위해 E-I Net 알고리즘을 활용한 스파스 뉴로모픽 시스템을 제안한다. 논문에서 제시하는 뉴런 클록 게이팅 기법은 미래의 뉴런 스파이크 활동을 예측하여 정확도의 손실 없이 상당한 에너지 소모를 감소시킨다. 또한 제안된 시냅스 전지는 아주 적은 분류 정확도의 손실을 통하여 추가적인 에너지를 절약한다. 시스템 내부에 러닝 알고리즘을 구현함으로써 시스템이 변화하는 환경에 빠르게 적응하는 것을 가능하도록 하였다. 이전의 연구들과 비교하였을 때 논문에서 제안하고 있는 시스템은 비슷한 정확도에서 6.9배에서 15배의 에너지 효율 향상을 보였다.
