Диссертация

Современные системы искусственного интеллекта на основе архитектуры фон Неймана имеют на порядки большее энергопотребление по сравнению с мозгом человека. Также они плохо приспособлены для инференса задач с малым размером пакета, в частности для задач обучения с подкреплением. Ключевой проблемой является низкая вычислительная интенсивность при высоких затратах энергии и времени на обращение к памяти, что ограничивает их применение в задачах требующих высокую энергоэффективность и малое время отклика. Одним из способов решения данной проблемы является использование нейроморфных методов, имитирующих принципы работы мозга человека. В данной работе предложены два новых алгоритма оптимизации нейронных сетей: на основе комбинации структурной разреженности и квантования, а также на основе комбинации структурной и временной разреженностей. Методы позволяют сократить размер моделей до 400 раз и уменьшить число вычислительных операций и обращений к памяти на 1–2 порядка без потери качества