实现事件驱动的神经网络的memristor-CMOS混合电路,用于动态视觉传感器摄像机

科学领域:

• 神经形态工程的神经形态工程
• 计算机工程 计算机工程
• 人工智能的人工智能

背景情况:

• 尖端神经网络提供低功耗但复杂的训练.
• 数字CMOS神经网络允许直接训练,但具有很高的能源开销.
• 处理动态视觉传感器 (DVS) 摄像头数据对传统的神经网络提出了挑战.

研究的目的:

• 为事件驱动的神经网络提出memristor-CMOS混合电路.
• 将基于尖的计算的好处与标准的反向传播培训相结合.
• 为了减少处理DVS摄像机事件的硬件和能源开销.

主要方法:

• 开发了基于memristor的输入神经元和突触交叉杆的混合电路.
• 用于低功耗的多重积累 (MAC) 操作的使用memristor横杆.
• 实现了Rectified Linear Unit (ReLU) 激活和动态时钟门的控制器.

主要成果:

• 在POKER-DVS数据集中实现了高达79%的显著节能,性能降低最小 (0.5%).
• 对于MNIST-DVS数据集,证明了75%的功率减少,识别率略有下降 (0.75%).
• 通过对基于事件的数据集的模拟来验证拟议的混合电路的有效性.

结论:

• 记忆器-CMOS混合电路为事件驱动的神经网络提供了高效的解决方案.
• 拟议的架构平衡了DVS处理的性能和实质性节能.
• 这种方法可以实现低功耗,硬件效率高的高级神经网络模型.