論文の概要: Temporal credit assignment for one-shot learning utilizing a phase transition material

• arxiv url: http://arxiv.org/abs/2310.00066v1
• Date: Fri, 29 Sep 2023 18:18:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 06:52:49.223530
• Title: Temporal credit assignment for one-shot learning utilizing a phase transition material
• Title（参考訳）: 相転移材料を用いたワンショット学習のための時間的クレジット割り当て
• Authors: Alessandro R. Galloni, Yifan Yuan, Minning Zhu, Haoming Yu, Ravindra S. Bisht, Chung-Tse Michael Wu, Christine Grienberger, Shriram Ramanathan and Aaron D. Milstein
• Abstract要約: 金属絶縁体-遷移物質であるバナジウム二酸化バナジウム(VO2)に基づく装置は, 中間抵抗状態の連続体にアクセスするために動的に制御可能であることを示す。 我々はこれらのデバイス特性を利用して、ニューロンのアナログ計算の3つの側面をエミュレートする: 高速(1ms) スパイク、低速(1ms) スパイク(100ms) デンドライトコンパートメント、超低速(1ms) 生化学的シグナリング。
• 参考スコア（独自算出の注目度）: 36.460125256873624
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Design of hardware based on biological principles of neuronal computation and plasticity in the brain is a leading approach to realizing energy- and sample-efficient artificial intelligence and learning machines. An important factor in selection of the hardware building blocks is the identification of candidate materials with physical properties suitable to emulate the large dynamic ranges and varied timescales of neuronal signaling. Previous work has shown that the all-or-none spiking behavior of neurons can be mimicked by threshold switches utilizing phase transitions. Here we demonstrate that devices based on a prototypical metal-insulator-transition material, vanadium dioxide (VO2), can be dynamically controlled to access a continuum of intermediate resistance states. Furthermore, the timescale of their intrinsic relaxation can be configured to match a range of biologically-relevant timescales from milliseconds to seconds. We exploit these device properties to emulate three aspects of neuronal analog computation: fast (~1 ms) spiking in a neuronal soma compartment, slow (~100 ms) spiking in a dendritic compartment, and ultraslow (~1 s) biochemical signaling involved in temporal credit assignment for a recently discovered biological mechanism of one-shot learning. Simulations show that an artificial neural network using properties of VO2 devices to control an agent navigating a spatial environment can learn an efficient path to a reward in up to 4 fold fewer trials than standard methods. The phase relaxations described in our study may be engineered in a variety of materials, and can be controlled by thermal, electrical, or optical stimuli, suggesting further opportunities to emulate biological learning.
• Abstract（参考訳）: 神経計算と脳の可塑性の生物学的原理に基づくハードウェアの設計は、エネルギー効率とサンプル効率のよい人工知能と学習マシンを実現するための主要なアプローチである。 ハードウェアビルディングブロックの選択において重要な要素は、大きなダイナミックレンジと様々な時間スケールのニューロンシグナルをエミュレートするのに適する物理特性を持つ候補物質の同定である。 これまでの研究では、ニューロンのオール・オ・ノンスパイク挙動は、相転移を利用したしきい値スイッチによって模倣できることが示されている。 本稿では,原型金属-絶縁体-遷移物質である二酸化バナジウム(vo2)に基づくデバイスが,中間抵抗状態の連続体にアクセスするために動的に制御できることを実証する。 さらに、それらの内在緩和の時間スケールは、ミリ秒から秒までの生物学的に関連する時間スケールに適合するように構成することができる。 これらのデバイス特性を利用して、ニューロンのアナログ計算の3つの側面をエミュレートする: 高速(~1ms)、低速(〜100ms)、低速(〜100ms)の樹状体(樹状体)のスパイク、そして最近発見されたワンショット学習の生物学的メカニズムのための時間的クレジット割り当てに関与する超低(1s)生化学的シグナル。 シミュレーションにより、VO2デバイスの特性を用いて空間環境をナビゲートするエージェントを制御する人工ニューラルネットワークは、標準的な方法よりも最大4倍少ない試行で報酬への効率的な経路を学習できることが示されている。 本研究で記述した相緩和は, 様々な材料で構築され, 熱, 電気, 光刺激によって制御され, 生物学習をエミュレートするさらなる機会が示唆された。

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)
• 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)
• 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)
• Organic log-domain integrator synapse [2.1640200483378953]
  ここでは、物理的に柔軟な有機対数領域積分器シナプス回路がこの問題に対処できることが示されている。 10nFシナプスコンデンサを用いて, 曲げ時の時間定数はそれぞれ126ms, 221msに達した。 この回路は、曲げ前後に特徴付けられ、その後、時間定数に対する重み付け電圧、シナプス容量、およびシナプス前信号の相違の影響に関する研究が続く。
  論文  参考訳（メタデータ） (2022-03-23T17:11:47Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)
• Neuromorphic Algorithm-hardware Codesign for Temporal Pattern Learning [11.781094547718595]
  複雑な空間時間パターンを学習するためにSNNを訓練できるLeaky IntegrateとFireニューロンの効率的なトレーニングアルゴリズムを導出する。 我々は,ニューロンとシナプスのメムリスタに基づくネットワークのためのCMOS回路実装を開発した。
  論文  参考訳（メタデータ） (2021-04-21T18:23:31Z)
• Controllable reset behavior in domain wall-magnetic tunnel junction artificial neurons for task-adaptable computation [1.4505273244528207]
  ドメイン壁-磁気トンネル接合(DW-MTJ)デバイスは、生物学的ニューロンの挙動を本質的に捉えることができることが示されている。 そこで本研究では,DW-MTJ人工ニューロンにおいて,3つの代替メカニズムを用いてエジラックス動作を実装可能であることを示す。
  論文  参考訳（メタデータ） (2021-01-08T16:50:29Z)
• Accelerated Analog Neuromorphic Computing [0.0]
  本稿では,BrainScales (BSS) を加速したアナログニューロモルフィックコンピューティングアーキテクチャの背景にある概念について述べる。 第2世代のBrainScales-2(BSS-2)と、その最新のシリコン内実現であるHICANN-Xアプリケーション固有集積回路(ASIC)について述べる。 提示されたアーキテクチャは、ニューロンとシナプスの連続的、アナログ的、物理モデルの実装に基づいている。
  論文  参考訳（メタデータ） (2020-03-26T16:00:55Z)

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。