論文の概要: Emulating Complex Synapses Using Interlinked Proton Conductors
- arxiv url: http://arxiv.org/abs/2401.15045v1
- Date: Fri, 26 Jan 2024 18:16:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 14:14:12.129579
- Title: Emulating Complex Synapses Using Interlinked Proton Conductors
- Title(参考訳): 架橋プロトン導体を用いた複合シナプスのエミュレーション
- Authors: Lifu Zhang, Ji-An Li, Yang Hu, Jie Jiang, Rongjie Lai, Marcus K.
Benna, Jian Shi
- Abstract要約: 我々はベンナ・フジ人工複合シナプスを実験的に実現した。
結合ストレージコンポーネントからのメモリ集積は数値シミュレーションと実験観測の両方によって明らかにされる。
複雑なシナプスの実験的実現は、記憶能力を高め、継続的な学習を可能にするための有望なアプローチを示唆している。
- 参考スコア(独自算出の注目度): 17.304569471460013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In terms of energy efficiency and computational speed, neuromorphic
electronics based on non-volatile memory devices is expected to be one of most
promising hardware candidates for future artificial intelligence (AI). However,
catastrophic forgetting, networks rapidly overwriting previously learned
weights when learning new tasks, remains as a pivotal hurdle in either digital
or analog AI chips for unleashing the true power of brain-like computing. To
address catastrophic forgetting in the context of online memory storage, a
complex synapse model (the Benna-Fusi model) has been proposed recently[1],
whose synaptic weight and internal variables evolve following a diffusion
dynamics. In this work, by designing a proton transistor with a series of
charge-diffusion-controlled storage components, we have experimentally realized
the Benna-Fusi artificial complex synapse. The memory consolidation from
coupled storage components is revealed by both numerical simulations and
experimental observations. Different memory timescales for the complex synapse
are engineered by the diffusion length of charge carriers, the capacity and
number of coupled storage components. The advantage of the demonstrated complex
synapse in both memory capacity and memory consolidation is revealed by neural
network simulations of face familiarity detection. Our experimental realization
of the complex synapse suggests a promising approach to enhance memory capacity
and to enable continual learning.
- Abstract(参考訳): エネルギー効率と計算速度の面では、非揮発性メモリデバイスに基づくニューロモルフィックエレクトロニクスは、将来の人工知能(AI)の最も有望なハードウェア候補の1つとして期待されている。
しかし、悲惨なことに、新しいタスクを学ぶ際に学習した重みを素早く上書きするネットワークは、脳のようなコンピューティングの真の力を解き放つために、デジタルまたはアナログAIチップにおいて重要なハードルとなっている。
オンライン記憶記憶の文脈における破滅的な忘れに対処するため、複雑なシナプスモデル(ベンナ・フジモデル)が近年提案されており、そのシナプス重みと内部変数は拡散力学の後に進化する。
本研究では,一連の電荷拡散制御型記憶素子を有するプロトントランジスタの設計により,ベンナ-フシ人工複合体シナプスを実験的に実現している。
結合ストレージコンポーネントからのメモリ統合は数値シミュレーションと実験観測の両方によって明らかにされる。
複雑なシナプスの異なるメモリタイムスケールは、電荷キャリアの拡散長、結合ストレージコンポーネントの容量と数によって設計される。
顔の親近性検出のニューラルネットワークシミュレーションにより,メモリ容量とメモリ統合における複雑なシナプスの利点を明らかにした。
複雑なシナプスの実験的実現は,記憶能力の向上と連続学習の実現に有望なアプローチを示唆する。
関連論文リスト
- Integrating programmable plasticity in experiment descriptions for analog neuromorphic hardware [0.9217021281095907]
BrainScaleS-2のニューロモルフィックアーキテクチャは「ハイブリッド」可塑性をサポートするように設計されている。
シナプス間相関測定などの数値シミュレーションで高価な観測機器はシナプス回路に直接実装される。
我々は高レベルな実験記述言語でスパイキングニューラルネットワーク実験と塑性規則を記述するための統合フレームワークを導入する。
論文 参考訳(メタデータ) (2024-12-04T08:46:06Z) - Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。
スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。
我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
論文 参考訳(メタデータ) (2024-04-08T16:34:35Z) - 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) - Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural
Networks [69.42260428921436]
クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。
我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。
CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
論文 参考訳(メタデータ) (2022-04-05T17:13:36Z) - Enhancing associative memory recall and storage capacity using confocal
cavity QED [15.696215759892052]
本稿では,連想記憶を実現するための短期的な実験プラットフォームを提案する。
複数モードの光学キャビティに結合されたスピンフルボソンを使用することで、多くの記憶を同時に保存することができる。
この非平衡量子光学スキームはグラウバー力学よりも連想記憶に有利であることを示す。
論文 参考訳(メタデータ) (2020-09-02T17:59:15Z) - Optimal Learning with Excitatory and Inhibitory synapses [91.3755431537592]
相関関係の存在下でアナログ信号間の関連性を保持するという課題について検討する。
ランダムな入力および出力プロセスのパワースペクトルの観点から、典型的な学習性能を特徴付ける。
論文 参考訳(メタデータ) (2020-05-25T18:25:54Z)
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。