基于RRAM的尖端神经网络具有目标调制的尖端时间依赖的可塑性

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能的人工智能
• 神经形态工程的神经形态工程

背景情况:

• 图像分类的尖端神经网络 (SNN) 通常需要许多神经元或外部分类器.
• 像STDP这样的传统生物灵感学习规则在表现和学习机会方面存在局限性.
• 现有的方法在基于SNN的图像识别中扎着效率和稳定性.

研究的目的:

• 引入一个新的生物可信的学习规则,目标调制的STDP (TSTDP),以改善SNN培训.
• 提出一个优化TSTDP的SNN架构,实现高效,高精度的图像分类.
• 通过增强内在学习能力,消除在SNN中对外部分类器的需求.

主要方法:

• 开发目标调制的STDP (TSTDP) 学习规则.
• 设计一个新的SNN架构,兼容TSTDP和时间尖峰编码.
• 在基准数据集上对拟议的SNN进行培训和评估:MNIST,CIFAR-10和DVS手势.

主要成果:

• 在MNIST上实现了92%的准确性,比同样大小的传统SNNs提高了7%.
• 在MNIST上显示了高达75%的网络尺寸缩小,以获得可比的准确性.
• 在CIFAR-10 (高达12.4%) 和DVS手势 (高达3.6%) 上显示出显著的准确性改进.
• 与传统网络相比,突出提高了对流程变化的弹性.

结论:

• TSTDP和拟议的SNN架构为神经形态图像分类提供了更有效,更准确的方法.
• 新方法显著降低了硬件要求,提高了稳定性,为实际的SNN应用铺平了道路.
• 这项工作推进了生物启发的学习规则和SNN设计,以在现实世界的任务中实现卓越的性能.