数字硬件实现ReSuMe学习算法用于尖端神经网络.

科学领域:

• 神经科学是一个神经科学.
• 计算机工程 计算机工程
• 人工智能的人工智能

背景情况:

• 尖端神经网络 (SNN) 是生物启发的计算模型.
• 监督学习算法对SNN至关重要,但往往缺乏高效的硬件实现.
• 峰值时间依赖可塑性 (STDP) 是SNN中的一个关键的学习规则.

研究的目的:

• 为了证明在硬件上实现一个生物学上可行的监督学习算法,即可重配置的尖端神经网络 (ReSuMe) 的可行性.
• 为优化SNN性能设计可配置的尖端时间依赖可塑性 (STDP) 学习窗口.
• 验证 ReSuMe 算法的与现有 SNN 结构的集成能力.

主要方法:

• FPGA 实现了 ReSuMe 算法.
• 180nm CMOS 电路设计用于 ReSuMe 算法.
• 开发一个完全可配置的STDP学习窗口功能.

主要成果:

• 成功证明FPGA实施可行性.
• 180nm CMOS 电路设计以 1.8V 的核心面积为 0.78mm2 实现.
• 可配置的STDP窗口被验证为优化学习过程.

结论:

• ReSuMe算法适合在SNN中进行芯片上的实现.
• 设计的硬件能够与各种外部SNN结构集成.
• 这项工作为在SNN中高效,硬件加速,生物可信的学习铺平了道路.