Fugu-MT 論文翻訳(概要): Experimental Demonstration of Neuromorphic Network with STT MTJ Synapses

論文の概要: Experimental Demonstration of Neuromorphic Network with STT MTJ Synapses

arxiv url: http://arxiv.org/abs/2112.04749v1
Date: Thu, 9 Dec 2021 08:11:47 GMT
ステータス: 処理完了
システム内更新日: 2023-03-05 01:07:00.581161
Title: Experimental Demonstration of Neuromorphic Network with STT MTJ Synapses
Title（参考訳）: STT MTJ合成を用いたニューロモルフィックネットワークの実験的実証
Authors: Peng Zhou, Alexander J. Edwards, Fred B. Mancoff, Dimitri Houssameddine, Sanjeev Aggarwal, Joseph S. Friedman
Abstract要約: 磁気トンネル接合(MTJ)シナプスを用いたニューロモルフィックネットワークの試作実験を行い,ベクトル行列乗算による画像認識を行った。また、MNIST手書き文字認識を行う大規模なMTJネットワークをシミュレートし、MTJクロスバーがメムリスタの精度と一致し、精度、安定性、耐久性が向上することを示した。
参考スコア（独自算出の注目度）: 58.40902139823252
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present the first experimental demonstration of a neuromorphic network with magnetic tunnel junction (MTJ) synapses, which performs image recognition via vector-matrix multiplication. We also simulate a large MTJ network performing MNIST handwritten digit recognition, demonstrating that MTJ crossbars can match memristor accuracy while providing increased precision, stability, and endurance.
Abstract（参考訳）: 本稿では,ベクトル行列乗算による画像認識を行う磁気トンネル接合(mtj)シナプスを用いたニューロモルフィックネットワークの最初の実験実験を行う。また,mnist手書き文字認識を行う大規模なmtjネットワークをシミュレートし,mtjクロスバーがmemristor精度と一致し,精度,安定性,耐久性が向上することを示した。

関連論文リスト

An LSTM Feature Imitation Network for Hand Movement Recognition from sEMG Signals [2.632402517354116]
我々は,Ninapro DB2上の300ms信号ウィンドウ上での閉形式時間特徴学習にFIN(Feature-imitating Network)を適用することを提案する。次に、下流手の動き認識タスクに事前学習したLSTM-FINを適用して、転送学習機能について検討する。
論文参考訳（メタデータ） (2024-05-23T21:45:15Z)
Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文参考訳（メタデータ） (2023-11-21T21:51:00Z)
Simulation of acquisition shifts in T2 Flair MR images to stress test AI segmentation networks [0.0]
この手法はMR信号方程式に基づいてMR画像の「獲得シフト微分」をシミュレートする。実験は、実際のMRスキャンによるシミュレーション画像の検証と、最先端のMS病変セグメンテーションネットワークにおけるストレステストの例を含む。
論文参考訳（メタデータ） (2023-11-03T13:10:55Z)
Neuromorphic Hebbian learning with magnetic tunnel junction synapses [41.92764939721262]
磁気トンネル接合(MTJ)の双対抵抗状態による高精度推論を実現するニューロモルフィックネットワークの提案と実験的検討を行った。 MTJシナプスで直接実装したニューロモルフィックネットワークの最初の実演を行った。また,STT-MTJシナプスを用いた非教師型ヘビアン学習システムにより,MNIST手書き文字認識の競争精度が向上できることをシミュレーションにより実証した。
論文参考訳（メタデータ） (2023-08-21T19:58:44Z)
Cross-modal Orthogonal High-rank Augmentation for RGB-Event Transformer-trackers [58.802352477207094]
本研究では,2つのモード間の分布ギャップを埋めるために,事前学習された視覚変換器(ViT)の潜在可能性を探る。本研究では,いくつかのトークンの特定のモダリティをランダムにマスキングし,異なるモダリティのトークン間の相互作用を積極的に行うマスクモデリング戦略を提案する。実験により,我々のプラグアンドプレイトレーニング強化技術は,追跡精度と成功率の両方の観点から,最先端のワンストリームと2つのトラッカーストリームを大幅に向上させることができることが示された。
論文参考訳（メタデータ） (2023-07-09T08:58:47Z)
Stochastic Domain Wall-Magnetic Tunnel Junction Artificial Neurons for Noise-Resilient Spiking Neural Networks [0.0]
本稿では,電圧依存性の確率発火を伴うDW-MTJニューロンについて述べる。トレーニング中の検証精度は、理想的な統合およびファイアデバイスに匹敵することを示した。本研究は、DW-MTJデバイスを用いて、エッジ上のニューロモルフィックコンピューティングに適した耐雑音性ネットワークを構築することができることを示す。
論文参考訳（メタデータ） (2023-04-10T18:00:26Z)
Synchronous Unsupervised STDP Learning with Stochastic STT-MRAM Switching [3.2894781846488494]
ニューロモルフィック系における重量貯蔵における抵抗状態の使用は、製造インプレクションと類似性によって妨げられる。本稿では,教師なし学習システムを実現するクロック回路を用いた同期スパイクネットワークを提案する。提案システムにより,MNISTデータセット上で1層ネットワークが90%の精度を達成できる。
論文参考訳（メタデータ） (2021-12-10T17:59:46Z)
A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文参考訳（メタデータ） (2020-06-08T02:39:59Z)
Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文参考訳（メタデータ） (2020-04-08T06:55:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。