极子格子作为二元化的神经形态网络
Evgeny Sedov1,2,3,4, Alexey Kavokin5,6,7
1Spin-Optics laboratory, St. Petersburg State University, St. Petersburg, 198504, Russia. evgeny_sedov@mail.ru.
Light, science & applications
|January 17, 2025
概括
这项研究介绍了一种新的神经形态网络,使用激子-极子凝聚物进行高效的二进制计算. 该架构在图像和语音识别任务中实现了高精度,超过现有系统的性能.
科学领域:
- 凝聚物质物理学 凝聚物质物理学
- 神经形态计算是一种神经形态计算.
- 量子光学是一种量子光学.
背景情况:
- 神经形态网络的目标是模仿大脑的效率.
- 兴奋子-极立子冷凝剂为计算提供了独特的量子特性.
- 现有的极声系统在效率和可扩展性方面面临挑战.
研究的目的:
- 介绍一种基于激子-极子凝聚物的新型神经形态网络架构.
- 为了利用空间连贯性和二进制运算进行高效的计算.
- 评估网络在图像和语音识别任务上的表现.
主要方法:
- 使用一个对联的激子-极子凝聚物的格子.
- 采用非共振光学送用于网络充电.
- 实现由非线性排斥驱动的二进制神经元切换机制.
主要成果:
- 在图像识别的MNIST数据集上达到高达97.5%的分类准确性.
- 在语音识别的语音命令数据集的十类子集上达到大约68%的分类准确性.
- 与现有的极神经形态系统和隐藏马尔科夫模型等常规基准相比,表现出卓越的性能.
结论:
- 拟议的激子-极子凝聚体网络为高效和可扩展的神经形态计算提供了一个有前途的平台.
- 二进制操作框架和并行处理能力提高了计算速度.
- 这种架构有可能在模式识别中推进人工智能应用.
