論文の概要: A Fully Memristive Spiking Neural Network with Unsupervised Learning
- arxiv url: http://arxiv.org/abs/2203.01416v1
- Date: Wed, 2 Mar 2022 21:16:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-05 10:45:54.577665
- Title: A Fully Memristive Spiking Neural Network with Unsupervised Learning
- Title（参考訳）: 教師なし学習による完全記憶型スパイクニューラルネットワーク
- Authors: Peng Zhou, Dong-Uk Choi, Jason K. Eshraghian, Sung-Mo Kang
- Abstract要約: このシステムは、神経系とシナプス系の両方のダイナミクスが、メムリスタを用いて実現可能であることを完全に理解している。
提案したMSNNは, 共振器間の電圧波形変化から, 共振器の累積重変化を用いてSTDP学習を実装した。
- 参考スコア（独自算出の注目度）: 2.8971214387667494
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a fully memristive spiking neural network (MSNN) consisting of
physically-realizable memristive neurons and memristive synapses to implement
an unsupervised Spiking Time Dependent Plasticity (STDP) learning rule. The
system is fully memristive in that both neuronal and synaptic dynamics can be
realized by using memristors. The neuron is implemented using the SPICE-level
memristive integrate-and-fire (MIF) model, which consists of a minimal number
of circuit elements necessary to achieve distinct depolarization,
hyperpolarization, and repolarization voltage waveforms. The proposed MSNN
uniquely implements STDP learning by using cumulative weight changes in
memristive synapses from the voltage waveform changes across the synapses,
which arise from the presynaptic and postsynaptic spiking voltage signals
during the training process. Two types of MSNN architectures are investigated:
1) a biologically plausible memory retrieval system, and 2) a multi-class
classification system. Our circuit simulation results verify the MSNN's
unsupervised learning efficacy by replicating biological memory retrieval
mechanisms, and achieving 97.5% accuracy in a 4-pattern recognition problem in
a large scale discriminative MSNN.
- Abstract（参考訳）: 本稿では,身体的に実現可能なmemristive neuronsとmemristive synapsesからなる完全なmemristive spiking neural network(msnn)を提案し,非教師なしスパイク時間依存可塑性(stdp)学習ルールを実装する。
このシステムは、memristorsを使用して、ニューロンとシナプスのダイナミクスの両方を実現できるという完全に記憶力のあるシステムである。
ニューロンは、異なる分極、過分極、再分極電圧波形を達成するのに必要な最小限の回路要素からなるSPICEレベルのメムリシティブ・インテリジェンス・アンド・ファイア(MIF)モデルを用いて実装される。
提案したMSNNは, シナプス間の電圧波形変化による間質性シナプスの累積重み変化を用いてSTDP学習を独自に実装し, トレーニング中のシナプス前および後シナプス後スパイク電圧信号から生じる。
2種類のMSNNアーキテクチャについて検討した。
1)生物学的に可能な記憶検索システム、及び
2)多クラス分類システム。
回路シミュレーションの結果,生物記憶検索機構を再現し,大規模判別MSNNにおける4パターン認識問題において97.5%の精度でMSNNの教師なし学習の有効性を検証する。
関連論文リスト
- Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳（メタデータ） (2024-09-17T04:48:45Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - Learning with Chemical versus Electrical Synapses -- Does it Make a
Difference? [61.85704286298537]
バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。
我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
論文 参考訳（メタデータ） (2023-11-21T13:07:20Z) - 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) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - Gradient-based Neuromorphic Learning on Dynamical RRAM Arrays [3.5969667977870796]
我々は,完全分裂型スパイクニューラルネットワーク(MSNN)を学習するための勾配学習(MEMprop)を提案する。
本手法では, 自然に発生する電圧スパイクを発生させるために, 固有デバイスダイナミクスを利用する。
いくつかのベンチマークにおいて、以前報告した軽量高密度完全MSNN間の高い競争精度を得る。
論文 参考訳（メタデータ） (2022-06-26T23:13:34Z) - Voltage-Dependent Synaptic Plasticity (VDSP): Unsupervised probabilistic
Hebbian plasticity rule based on neurons membrane potential [5.316910132506153]
ニューロモルフィックハードウェア上でのHebbの可塑性機構のオンライン実装のために,脳にインスパイアされた非教師なしローカル学習ルールを提案する。
提案したVDSP学習規則はシナプス後ニューロンのスパイクにのみシナプス伝導を更新する。
MNISTデータセット上の100個の出力ニューロンのネットワークに対して85.01 $ pm $ 0.76% (Mean $ pm $ S.D.) の精度を報告した。
論文 参考訳（メタデータ） (2022-03-21T14:39:02Z) - SPICEprop: Backpropagating Errors Through Memristive Spiking Neural
Networks [2.8971214387667494]
BPTT学習規則を用いて訓練した新しい間質ニューロンからなる完全間質性スパイクニューラルネットワーク(MSNN)を提案する。
アナログSPICE回路モデルを用いて設計したMIFニューロンに直接グラディエント降下を適用する。
MNISTテストデータセットでは97.58%、Fashion-MNISTテストデータセットでは75.26%の精度で達成しています。
論文 参考訳（メタデータ） (2022-03-02T21:34:43Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - 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。
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。