인텔 Loihi를 능가하는 차세대 뉴로모픽 아키텍처 N1, N2, N3 공개

커뮤니티 반응

작성자의 기술적 깊이와 독자적인 하드웨어 설계 능력에 대해 매우 긍정적인 반응이 이어지고 있으며, 특히 FPGA 구현 과정에서의 구체적인 수치와 벤치마크 결과에 대해 전문가들의 관심이 집중되고 있습니다.

실용적 조언

뉴로모픽 설계를 위해 Verilog를 사용하여 RTL부터 직접 구현하는 방식은 특정 알고리즘 최적화에 매우 유리합니다.
AWS F2 인스턴스를 활용하면 실제 물리적 칩 제작 전에도 대규모 FPGA 검증 환경을 구축하여 하드웨어 신뢰성을 높일 수 있습니다.
시분할 멀티플렉싱 기술을 하드웨어 설계에 도입하면 물리적 자원의 한계를 넘어 가상 뉴런의 수를 획기적으로 늘릴 수 있습니다.

섹션별 상세

N1 및 N2 아키텍처의 특징과 하드웨어 검증 결과에 대한 논의가 있었습니다. N1은 인텔 Loihi 1과 동등한 기능을 갖춘 128코어 구조이며, N2는 Loihi 2 수준의 기능을 구현하여 14개의 연산 코드를 가진 마이크로코드 학습 엔진과 가변 정밀도 시냅스 가중치를 지원합니다. 특히 N2는 AWS F2 환경에서 3,000개 이상의 테스트를 통과하며 하드웨어 안정성을 입증했고 SHD 90.7%, N-MNIST 99.2% 등 경쟁력 있는 벤치마크 수치를 기록했습니다.

Loihi 2의 한계를 넘어서는 N3 아키텍처의 혁신적인 확장성이 강조되었습니다. N3는 시분할 멀티플렉싱(Time-division multiplexing) 기술을 도입하여 8비트 정밀도 기준 최대 840만 개의 가상 뉴런을 구현할 수 있는 설계를 갖추고 있습니다. 비동기 하이브리드 네트워크 온 칩(NoC)과 4단계 메모리 계층 구조를 통해 대규모 신경망 처리에 최적화된 데이터 흐름을 확보했습니다.

다양한 뉴런 모델 지원과 고도화된 학습 엔진의 설계 방식이 주목받았습니다. N3는 LIF, Sigma-Delta 등 7가지 하드웨어 고정 모델뿐만 아니라 마이크로코드로 제어되는 완전 프로그래밍 가능 모델을 포함하여 총 8가지 뉴런 모델을 제공합니다. 학습 엔진은 28개의 연산 코드로 확장되었으며 하드웨어 수준에서 가소성(Plasticity)과 항상성 스케일링(Homeostatic scaling)을 실시간으로 처리할 수 있도록 설계되었습니다.

소프트웨어 스택과 실제 배포 환경에 대한 기술적 상세 내용이 공유되었습니다. 전체 시스템은 Verilog를 사용하여 밑바닥부터 설계되었으며 Python SDK를 통해 컴파일, 시뮬레이션, FPGA 배포가 이루어집니다. 작성자는 FPGA 합성(Synthesis)과 타이밍 클로저(Timing Closure) 과정에서의 경험을 바탕으로 기술적 조언을 제공하며 클라우드 API를 통한 무료 체험 기회를 제안하고 있습니다.

언급된 도구

AWS F2추천링크

클라우드 기반 FPGA 하드웨어 가속 및 아키텍처 검증

Verilog중립

하드웨어 설계 및 RTL(Register Transfer Level) 작성

언급된 리소스

GitHubCatalyst Neuromorphic GitHub

논문N1 Architecture Paper

논문N2 Architecture Paper