論文の概要: Synchronous Unsupervised STDP Learning with Stochastic STT-MRAM Switching

• arxiv url: http://arxiv.org/abs/2112.05707v1
• Date: Fri, 10 Dec 2021 17:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-04 22:34:21.294268
• Title: Synchronous Unsupervised STDP Learning with Stochastic STT-MRAM Switching
• Title（参考訳）: 確率STT-MRAMスイッチングを用いた同期非教師付きSTDP学習
• Authors: Peng Zhou, Julie A. Smith, Laura Deremo, Stephen K. Heinrich-Barna, Joseph S. Friedman
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.2894781846488494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of analog resistance states for storing weights in neuromorphic systems is impeded by fabrication imprecision and device stochasticity that limit the precision of synapse weights. This challenge can be resolved by emulating analog behavior with the stochastic switching of the binary states of spin-transfer torque magnetoresistive random-access memory (STT-MRAM). However, previous approaches based on STT-MRAM operate in an asynchronous manner that is difficult to implement experimentally. This paper proposes a synchronous spiking neural network system with clocked circuits that perform unsupervised learning leveraging the stochastic switching of STT-MRAM. The proposed system enables a single-layer network to achieve 90% inference accuracy on the MNIST dataset.
• Abstract（参考訳）: ニューロモルフィック系における重量保存におけるアナログ抵抗状態の使用は、合成量の精度を制限する製造インプレクションと装置確率によって妨げられる。 この課題は、スピントランスファートルク磁気抵抗ランダムアクセスメモリ(STT-MRAM)のバイナリ状態の確率的切替によるアナログ挙動をエミュレートすることで解決できる。 しかし、STT-MRAMに基づく従来のアプローチは、実験的に実装するのが困難な非同期方式で動作している。 本稿では,stt-mramの確率的スイッチングを利用した教師なし学習を行うクロック回路を用いた同期スパイキングニューラルネットワークシステムを提案する。 提案システムでは,MNISTデータセット上で単層ネットワークが90%の推論精度を実現する。

関連論文リスト

• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• 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)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• MRAM-based Analog Sigmoid Function for In-memory Computing [0.0]
  本稿では、2つのスピン軌道トルク磁気抵抗ランダムアクセスメモリ(SOT-MRAM)とCMOSインバータを用いた超越活性化関数のアナログ実装を提案する。 提案したアナログニューロン回路は1.8-27倍の消費電力を消費し、最先端アナログやデジタル実装と比較して2.5-4931倍の面積を占める。
  論文  参考訳（メタデータ） (2022-04-21T07:13:54Z)
• Hardware calibrated learning to compensate heterogeneity in analog RRAM-based Spiking Neural Networks [0.0]
  スパイキングニューラルネットワーク(SNN)は、RRAM(Resistive Random Access Memories)の完全なパワーを解放することができる その本質的にの計算空間は自然にエネルギー効率の恩恵をもたらす。 堅牢なSNNを実装する主な課題は、アナログCMOS回路とRRAM技術の固有の可変性(異種性)である。
  論文  参考訳（メタデータ） (2022-02-10T15:33:03Z)
• Experimental Demonstration of Neuromorphic Network with STT MTJ Synapses [58.40902139823252]
  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。
  論文  参考訳（メタデータ） (2021-12-09T08:11:47Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Neural Sampling Machine with Stochastic Synapse allows Brain-like Learning and Inference [6.138129592577736]
  NNの新しいクラスであるNeural-Sampling-Machineを紹介し、シナプス接続におけるシナプス性を利用してベイズ推定を近似する。 クロスバーと金属状態の間のセレクタ要素の固有のスイッチングは、NSMのシナプス内の乗算ノイズをもたらすことを実験的に示した。 回転試料における標準画像分類タスクとデータ不確実性推定について報告する。
  論文  参考訳（メタデータ） (2021-02-20T23:45:24Z)
• Fine Timing and Frequency Synchronization for MIMO-OFDM: An Extreme Learning Approach [8.432859469083951]
  極端学習機械(ELM)を用いて高精度同期を実現する手法を提案する。 提案手法は,チャネルパラメータの選択や,機械学習の観点からの「一般化能力」の観点からも頑健である。
  論文  参考訳（メタデータ） (2020-07-17T21:41:38Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。