論文の概要: Neuromorphic Hebbian learning with magnetic tunnel junction synapses
- arxiv url: http://arxiv.org/abs/2308.11011v1
- Date: Mon, 21 Aug 2023 19:58:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 19:57:46.935931
- Title: Neuromorphic Hebbian learning with magnetic tunnel junction synapses
- Title（参考訳）: 磁気トンネル接合シナプスを用いたニューロモルフィックヘビアン学習
- Authors: Peng Zhou, Alexander J. Edwards, Frederick B. Mancoff, Sanjeev
Aggarwal, Stephen K. Heinrich-Barna, Joseph S. Friedman
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 41.92764939721262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuromorphic computing aims to mimic both the function and structure of
biological neural networks to provide artificial intelligence with extreme
efficiency. Conventional approaches store synaptic weights in non-volatile
memory devices with analog resistance states, permitting in-memory computation
of neural network operations while avoiding the costs associated with
transferring synaptic weights from a memory array. However, the use of analog
resistance states for storing weights in neuromorphic systems is impeded by
stochastic writing, weights drifting over time through stochastic processes,
and limited endurance that reduces the precision of synapse weights. Here we
propose and experimentally demonstrate neuromorphic networks that provide
high-accuracy inference thanks to the binary resistance states of magnetic
tunnel junctions (MTJs), while leveraging the analog nature of their stochastic
spin-transfer torque (STT) switching for unsupervised Hebbian learning. We
performed the first experimental demonstration of a neuromorphic network
directly implemented with MTJ synapses, for both inference and
spike-timing-dependent plasticity learning. We also demonstrated through
simulation that the proposed system for unsupervised Hebbian learning with
stochastic STT-MTJ synapses can achieve competitive accuracies for MNIST
handwritten digit recognition. By appropriately applying neuromorphic
principles through hardware-aware design, the proposed STT-MTJ neuromorphic
learning networks provide a pathway toward artificial intelligence hardware
that learns autonomously with extreme efficiency.
- Abstract（参考訳）: ニューロモルフィックコンピューティングは、生体ニューラルネットワークの機能と構造の両方を模倣し、人工知能を極端に効率良く提供することを目的としている。
従来のアプローチでは、アナログ抵抗状態の非揮発性メモリデバイスにシナプス重みを格納し、メモリアレイからシナプス重みを転送するコストを回避しつつ、ニューラルネットワーク操作のインメモリ計算を可能にする。
しかし、ニューロモルフィック系における重みの保存におけるアナログ抵抗状態の使用は、確率的記述、確率的過程を通して時間とともに漂う重み、シナプス重みの精度を低下させる限られた持続性によって妨げられる。
本稿では,磁気トンネル接合(MTJ)の2次抵抗状態による高精度な推論を実現するニューロモルフィックネットワークを,教師なしヘビアン学習のための確率的スピントランスファートルク(STT)スイッチングのアナログ特性を活用して,実験的に提案する。
MTJ合成で直接実装したニューロモルフィックネットワークの実験的実験を行った。
また,確率的STT-MTJシナプスを用いた教師なしヘビアン学習システムにより,MNIST手書き文字認識における競合精度が向上することを示した。
ハードウェアを意識した設計によってニューロモルフィックの原則を適切に適用することにより、提案されたSTT-MTJニューロモルフィック学習ネットワークは、極端な効率で自律的に学習する人工知能ハードウェアへの経路を提供する。
関連論文リスト
- 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) - 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) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - 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) - 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) - 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) - Shape-Dependent Multi-Weight Magnetic Artificial Synapses for
Neuromorphic Computing [4.567086462167893]
神経形コンピューティングにおいて、人工シナプスは、脳に類似したニューロンからの入力に基づいて設定される多重コンダクタンス状態を提供する。
本稿では,磁気トンネル接合と磁区壁を用いた磁気材料を用いた人工シナプスの測定を行った。
論文 参考訳（メタデータ） (2021-11-22T20:27:14Z) - 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) - 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) - Structural plasticity on an accelerated analog neuromorphic hardware
system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。
我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。
ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文 参考訳（メタデータ） (2019-12-27T10:15:58Z)
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。