完全具有记忆力的尖端神经网络,用于节能地学习图形
Tuo Shi1, Lili Gao1, Ruixi Zhou1
1Zhejiang Laboratory, Hangzhou 311100, China.
Science advances
|May 7, 2025
概括
这项研究介绍了一种新的memristor spiking神经网络,用于在大型图表上快速和节能地搜索最短路径. 这种方法明显优于传统方法,使得高效的图形计算成为可能.
科学领域:
- 计算机科学 计算机科学
- 材料科学 材料科学 材料科学
- 神经科学是一个神经科学.
背景情况:
- 在大型图形上搜索最短路径在传统的顺序方法中是计算密集且耗费能源的.
- 现有的方法难以满足大规模和实时图形处理的需求.
研究的目的:
- 为寻找最短路径和图形学习开发一种并行且能效的方法.
- 通过算法-设备代码设计来利用memristor尖端神经网络 (SNN) 来进行增强的图形计算.
主要方法:
- 一种高度并行的memristor SNN方法,利用同时行驶的尖峰进行自然最短路径识别.
- 实施非线性权重映射策略,以解决神经元非线性问题,并确保大图的准确性.
- 在无监督和监督分类任务中对memristor硬件进行实验验证.
主要成果:
- 拟议的方法实现了平行最短路径发现,时间和空间复杂性极低.
- 在使用基于memristor的SNNs进行分类任务时证明了准确性.
- 达到估计的能量效率为每秒每瓦517.82千兆度横边,比FPGA的性能高出3-4个数量级.
结论:
- 记忆器SNN方法为节能图形计算提供了显著的进步.
- 这项工作为开发高效的基于图形的机器学习和计算的硬件提供了可行的途径.
- 算法-设备代码设计策略对于克服神经形态计算中的硬件限制是有效的.
