在基于memristor的六角化神经网络中进行无监督学习
Sahra Afshari1, Jing Xie1, Mirembe Musisi-Nkambwe1
1Department of Electrical, Computer and Energy Engineering, Arizona State University, Tempe, AZ, 85281, United States of America.
Nanotechnology
|July 31, 2023
概括
六角化 (h-BN) 记忆器显示出神经形态计算的前景. 这些2D材料设备使无人监督的学习能够在尖端神经网络 (SNN) 中进行图像分类任务.
科学领域:
- 材料科学 材料科学 材料科学
- 神经科学是一个神经科学.
- 计算机工程 计算机工程
背景情况:
- 电阻随机访问存储器 (RRAM) 通过整合处理和存储提供了一条超越·诺伊曼架构的途径.
- 与传统的氧化物相比,二维 (2D) 材料在RRAM应用中具有优越的非挥发性切换特性.
- 六角化 (h-BN) 是一种2D材料,具有具有记忆力的应用潜力.
研究的目的:
- 研究2D六角化 (h-BN) 记忆体的电性能,以便集成到尖端神经网络 (SNN).
- 评估使用h-BN记忆器作为无监督学习的人工突触.
- 提高SNN识别率,使用基于STDP的新型学技术.
主要方法:
- 对h-BN记忆器的电行为进行实验性表征.
- 在SNN中使用实验性memristor数据模拟无监督学习.
- 基于尖峰时间-依赖-可塑性 (STDP) 的脱落方法的实施和测试.
主要成果:
- 作为人工突触,h-BN记忆器表现出可行的性能.
- 成功模拟了MNIST数据集上的图像分类无监督学习.
- 通过拟议的基于STDP的退出技术,SNN识别率得到了明显提高.
结论:
- 基于二维材料的记忆器,特别是h-BN,适用于SNN中的人工突触.
- 使用这些memristors,可以有效地在SNNs中实现无监督学习.
- 硬件友好的在线学习方法,如基于STDP的学,可以提高SNN的性能.
