KIP-Veröffentlichungen

BrainScaleS-2 bietet als neuromorphe Plattform zwar ein Substrat für Experimente mit neuronalen Netzen, leidet jedoch, wie jedes analoge Substrat, an durch den Herstellungsprozess verursachten zeitlich konstanten Variationen zwischen identisch entworfenen Komponenten. Kalibration kann helfen, dies einzuschränken, indem Hardware Parameter gefunden werden, die zum gewünschten Verhalten führen. Die aktuelle Kalibration verwendet ein iteratives Verfahren zur Operationspunktbestimmung, was ein zeitaufwendiger Prozess ist. Das Ziel dieser Arbeit ist es deshalb, ein transformationsbasiertes System zu entwickeln, welches die Parametrisierung signikant beschleunigt. Dabei werden nicht nur Abhängigkeiten zwischen Modell- und Hardwareparametern berücksichtigt, sondern auch solche zwischen Hardwareparametern untereinander. Zudem wird diese Architektur verwendet, um eine Einheitsübersetzung von den Werten von Analog-Digitalwandlern zu physikalischen Einheiten umzusetzen.

BrainScaleS-2 is a mixed-signal neuromorphic platform that provides a substrate for experiments with spiking neural networks. Like other analog substrates, it is affected by fixed-pattern noise, which causes mismatches between identically designed components. Calibration mitigates this issue by determining the hardware configurations that yield the desired effective behavior. The current calibration library employs an iterative binary search algorithm to identify the operating point, a process that is time-consuming. This work presents a transformation-based parametrization approach that leverages an effective model to significantly accelerate calibration. By explicitly capturing both, hardware-model dependencies and interdependencies among hardware parameters, this method reduces the time needed to determine operating points by approximately an order of magnitude. Furthermore, the developed architecture enables unit translation from analog-to-digital converter (ADC) values to physical quantities, thereby providing interpretable readouts