相关实验视频
Updated: Jun 19, 2026

A Method for Growing Bio-memristors from Slime Mold
Published on: November 2, 2017
通过基于memristor的贝叶斯神经网络,将不确定性量化带到极端的边缘
Djohan Bonnet1,2, Tifenn Hirtzlin3, Atreya Majumdar4
1Université Grenoble Alpes, CEA, LETI, Grenoble, France. djohan.bonnet@cea.fr.
这项研究展示了一种新的贝叶斯神经网络方法,使用memristors进行高效的内存计算. 这一创新提高了安全关键应用的精度和能源效率,例如医疗诊断.
科学领域:
- 神经形态工程的神经形态工程
- 人工智能的人工智能
- 设备物理 设备物理
背景情况:
- 安全关键的应用需要从有限的,杂的数据中做出准确的决策.
- 贝叶斯神经网络 (BNNs) 提供了预测的不确定性,但在计算上是密集的.
- 记忆器为BNN实现提供了一个概率硬件平台.
研究的目的:
- 开发一个基于memristor的贝叶斯神经网络,克服设备物理的局限性.
- 为BNN实现节能内存计算.
- 展示这种技术在医学诊断中的实际应用.
主要方法:
- 实施了一个变异推理训练方法,并增加了"技术损失"功能.
- 将memristor物理集成到BNN培训过程中.
- 在75个memristor交叉条数组上编程了一个BNN,用于内存计算的CMOS外围.
主要成果:
- 基于memristor的BNN准确地分类了心跳,并估计了预测确定性.
- 与传统硬件相比,在推断能效方面取得了数量级的改进.
- 证明了对概率神经网络的成功内存计算.
结论:
- 基于memristor的BNN为安全关键的人工智能提供了高能效的解决方案.
- "技术损失"有效地将memristor设备物理与BNN要求相结合.
- 这种方法为先进的低功耗神经形态计算系统铺平了道路.
更多相关视频
08:07Assembly and Characterization of Biomolecular Memristors Consisting of Ion Channel-doped Lipid Membranes
Published on: March 9, 2019
06:44Quantitative Analysis of Mitochondria-Associated Endoplasmic Reticulum Membrane (MAM) Stabilization in a Neural Model of Alzheimer's Disease (AD)
Published on: January 10, 2025
相关概念视频
Neural Regulation
Uncertainty: Overview
Propagation of Uncertainty from Random Error
Propagation of Uncertainty from Systematic Error
Uncertainty: Confidence Intervals
Neural Circuits
Neuronal pools are collections of nerve cells with similar functions and interact through chemical and electrical signals. These pools include both interneurons (the central neural circuit nodes that...