Fugu-MT 論文翻訳(概要): Multiple-Step Quantized Triplet STDP Implemented with Memristive Synapse

論文の概要: Multiple-Step Quantized Triplet STDP Implemented with Memristive Synapse

arxiv url: http://arxiv.org/abs/2306.07712v1
Date: Tue, 13 Jun 2023 12:00:48 GMT
ステータス: 処理完了
システム内更新日: 2023-06-14 14:02:23.429763
Title: Multiple-Step Quantized Triplet STDP Implemented with Memristive Synapse
Title（参考訳）: Memristive Synapse を用いた多重ステップ量子化トリプルトSTDP
Authors: Y. Liu, D. Wang, Z. Dong, and W. Zhao
Abstract要約: マルチステップ量子化三重項STDPと呼ばれる新しい混合信号回路方式が設計されている。パルス幅符号化変調信号を利用して回路のロバスト性を大幅に改善する。
参考スコア（独自算出の注目度）: 0.3359875577705538
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As an extension of the pairwise spike-timingdependent plasticity (STDP) learning rule, the triplet STDP is provided with greater capability in characterizing the synaptic changes in the biological neural cell. In this work, a novel mixedsignal circuit scheme, called multiple-step quantized triplet STDP, is designed to provide a precise and flexible implementation of coactivation triplet STDP learning rule in memristive synapse spiking neural network. The robustness of the circuit is greatly improved through the utilization of pulse-width encoded weight modulation signals. The circuit performance is studied through the simulations which are carried out in MATLAB Simulink & Simscape, and assessment is given by comparing the results of circuits with the algorithmic approaches.
Abstract（参考訳）: ペアワイズスパイク刺激依存性可塑性(STDP)学習規則の拡張として、3重項STDPは、生体神経細胞のシナプス変化を特徴づける能力をより高めている。本研究では,マルチステップ量子化三重項学習法(Multi-step Quantized Triplet STDP)とよばれる新しい混合信号回路方式を提案し,コアクティベーション三重項学習規則の正確かつ柔軟な実装を実現する。パルス幅符号化重み変調信号の利用により回路のロバスト性が大幅に向上した。回路性能は,MATLAB Simulink & Simscapeで実施したシミュレーションを用いて検討し,回路結果とアルゴリズム的アプローチを比較して評価を行う。

関連論文リスト

Joint Transmit and Pinching Beamforming for PASS: Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文参考訳（メタデータ） (2025-02-12T18:54:10Z)
NeoHebbian Synapses to Accelerate Online Training of Neuromorphic Hardware [0.03377254151446239]
ReRAMデバイスを用いた新しいネオヘビアン人工シナプスが提案され、実験的に検証されている。様々なデバイスやシステムレベルの非理想を考慮に入れたシステムレベルのシミュレーションは、これらのシナプスがニューロモルフィックハードウェアにおける高度な学習規則の高速でコンパクトでエネルギー効率の高い実装に堅牢なソリューションを提供することを確認した。
論文参考訳（メタデータ） (2024-11-27T12:06:15Z)
SimBa: Simplicity Bias for Scaling Up Parameters in Deep Reinforcement Learning [49.83621156017321]
SimBaは、単純さのバイアスを注入することによって、深いRLでパラメータをスケールアップするように設計されたアーキテクチャである。 SimBaでパラメータをスケールアップすることで、オフポリシー、オンポリシー、アン教師なしメソッドを含む様々なディープRLアルゴリズムのサンプル効率が一貫して改善される。
論文参考訳（メタデータ） (2024-10-13T07:20:53Z)
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)
Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-11T13:16:28Z)
ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文参考訳（メタデータ） (2023-01-19T19:45:42Z)
Implementing Neural Network-Based Equalizers in a Coherent Optical Transmission System Using Field-Programmable Gate Arrays [3.1543509940301946]
我々は、コヒーレント光伝送システムにおける非線形性補償のための、リカレントおよびフィードフォワードニューラルネットワーク(NN)ベースの等化器のオフラインFPGA実現について述べる。主な結果は、性能比較、アクティベーション関数の実装方法の分析、ハードウェアの複雑さに関するレポートの3つに分けられる。
論文参考訳（メタデータ） (2022-12-09T07:28:45Z)
A Hybrid Complex-valued Neural Network Framework with Applications to Electroencephalogram (EEG) [16.578387039499386]
提案したニューラルネットワークアーキテクチャは、複雑な値を持つ畳み込み層と、2つの実値を持つ畳み込み層と、完全に接続された3つの層から構成される。 2つの模擬脳波信号とベンチマークデータセットを用いてアプローチを検証し、広く使われている2つのフレームワークと比較する。
論文参考訳（メタデータ） (2022-07-28T00:51:07Z)
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)
Partial Maximum Correntropy Regression for Robust Trajectory Decoding from Noisy Epidural Electrocorticographic Signals [22.202519467049136]
Partial Least Square Regression (PLSR)アルゴリズムは、脳-コンピュータインタフェースにおける相関脳記録から連続変数を予測する特別な能力を示す。本研究の目的は、PLSRの頑健なバージョンであるPartial Maximum Correntropy Regression (PMCR)を提案することである。従来のPLSRと最先端の変種と比較して、PMCRは、汚染されたトレーニングセットを持つ3つの異なるパフォーマンス指標に対して優れた予測能力を実現した。
論文参考訳（メタデータ） (2021-06-23T05:22:46Z)
Spatiotemporal Spike-Pattern Selectivity in Single Mixed-Signal Neurons with Balanced Synapses [0.27998963147546135]
混合信号ニューロモルフィックプロセッサは推論と学習に使用できる。ネットワーク層の実装に不均一なシナプス回路をいかに利用できるかを示す。
論文参考訳（メタデータ） (2021-06-10T12:04:03Z)

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。