容纳缺陷的memristor跨条电路用于本地学习神经网络的神经网络

科学领域:

• 神经形态工程的神经形态工程
• 计算神经科学是一种神经科学.
• 材料科学 材料科学 材料科学

背景情况:

• 像平衡传播 (EP) 这样的本地学习算法为神经网络培训提供了能量效率高的反向传播替代方案.
• 基于memristor的电路对EP的硬件实现具有前景,但由于制造缺陷和可变性而面临挑战.
• 现有的使用memristor的EP实现需要单独的电路来进行自由和动阶段,从而导致性能降低.

研究的目的:

• 提出一种新的时间复杂化技术,将EP的自由和动相集成到单一的memristor电路中.
• 为了解决以前的EP实现由于memristor缺陷和可变性造成的局限性.
• 为了提高基于memristor的神经网络培训的稳定性和效率.

主要方法:

• 开发了一个时间复杂化方案,将EP的自由和动相的动态方程结合在一个单一的memristor电路中.
• 将缺陷和可变性补偿机制直接集成到电路设计中.
• 模拟了使用MNIST数据集的拟议电路的性能.

主要成果:

• 拟议的时间复杂化技术在MNIST数据集上保持了92%的识别率,即使具有10%的memristor缺陷率.
• 在之前的实施方案中,在相同的缺陷条件下,表现大幅下降至33%的认可率.
• 新的电路设计导致了EP解决器和重量更新控制电路的空头面积减少.

结论:

• 拟议的时间复杂化技术有效地弥补了基于EP的神经网络中的memristor缺陷和可变性.
• 这种方法为在硬件中实施本地学习算法提供了更强大,更有效的解决方案.
• 这些发现为使用memristor技术的更实用和可扩展的神经形态计算系统铺平了道路.