Multiprozessor- und Speicher-Architektur des Neurocomputer SYNAPSE-1

Abstract

Um den Zeitaufwand für die Entwicklung neuronaler Applikationen verringern und die Anwendungsforschung weiter vorantreiben zu können, hat ZFE den Neurocomputer SYNAPSE-1 gebaut. SYNAPSE-1 bezieht seine Leistungsfahigkeit (peak performance 5,1 · 10⁹ Verbindungen bzw. Multiplikationen und Additionen pro Sekunde) aus einer skalierbaren Multi-Prozessor- und -Speicherarchitektur und aus dem selbst entwickelten Neuro-Signalprozessor MA16 (full custom VLSI, 1μm CMOS, 610 000 Transistoren), welcher die rechenintensiven Operationen der neuronalen Algorithmen ausführt. SYNAPSE-1 besteht hardwareseitig aus 4 Boards: einem mit 8 MA16 bestückten Board, einem ’Data Unit’-Board, welches die restlichen, nicht-rechenintensiven neuronalen Operationen ausführt, einer Speicherplatine hoher Bandbreite für die Gewichte und einer Controller-Platine für Steuerung und Koordination der anderen Boards. Die Kommunikation mit Host-Workstation und spezialisierten Ein-/Ausgabeeinheiten (z.B. frame grabber) wird von Controller und Data Unit über den VME-Bus abgewickelt (Data und Control Unit wurden in Kooperation mit Prof. Männer, Universität Mannheim, entwickelt).

SYNAPSE1-1 wird vervollständigt durch mehrere Firmware/Software-Schichten. Beginnend bei den Mikroprogrammen des Sequencers auf der Control Unit reichen sie über die Betriebssoftware für die 68040-CPUs auf Control und Data Unit bis hin zu der auf der Host-Workstation zur Verfügung stehenden neural Algorithms Programming Language, die den Anwender bei der Synthese seiner Algorithmen aus rechenintensiven und nicht-rechenintensiven Operationen unterstützt. nAPL ist eingebettet in C++ und im wesentlichen realisiert als Klassenbibliothek. Dieser objekt-orientierte Ansatz gewährleistet eine enge Anbindung an SENN++, der bei ZFE entwickelten Software-Simulationsumgebung für neuronale Netze.

Der Neurocomputer SYNAPSE-1 vereint ein hohes Maß an Flexibilität mit bisher unerreichter Rechengeschwindigkeit. Bei Benchmark-Tests wurde im Vergleich mit einer SUN SparcStation 2 ein Beschleunigungsfaktor von 8000 ermittelt. Neben neuronalen Algorithmen (einschließlich Lernphase) konnen auch Operationen der klassischen Bild- und Signalverarbeitung sehr schnell ausgeführt werden.