論文の概要: Unsupervised local learning based on voltage-dependent synaptic plasticity for resistive and ferroelectric synapses
- arxiv url: http://arxiv.org/abs/2510.25787v1
- Date: Tue, 28 Oct 2025 17:47:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.484856
- Title: Unsupervised local learning based on voltage-dependent synaptic plasticity for resistive and ferroelectric synapses
- Title（参考訳）: 抵抗性および強誘電性シナプスに対する電圧依存性シナプス可塑性に基づく教師なし局所学習
- Authors: Nikhil Garg, Ismael Balafrej, Joao Henrique Quintino Palhares, Laura Bégon-Lours, Davide Florini, Donato Francesco Falcone, Tommaso Stecconi, Valeria Bragaglia, Bert Jan Offrein, Jean-Michel Portal, Damien Querlioz, Yann Beilliard, Dominique Drouin, Fabien Alibart,
- Abstract要約: 覚醒性シナプスにおける教師なしおよび局所学習のための効率的なアプローチとして,電圧依存型シナプス可塑性(VDSP)を導入した。
複雑なパルス整形回路を必要としないオンライン学習を可能にする。
本稿では,VDSPを3種類のメムリシティブデバイスに適用する方法について述べる。
- 参考スコア（独自算出の注目度）: 3.504853049678649
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of AI on edge computing devices faces significant challenges related to energy consumption and functionality. These devices could greatly benefit from brain-inspired learning mechanisms, allowing for real-time adaptation while using low-power. In-memory computing with nanoscale resistive memories may play a crucial role in enabling the execution of AI workloads on these edge devices. In this study, we introduce voltage-dependent synaptic plasticity (VDSP) as an efficient approach for unsupervised and local learning in memristive synapses based on Hebbian principles. This method enables online learning without requiring complex pulse-shaping circuits typically necessary for spike-timing-dependent plasticity (STDP). We show how VDSP can be advantageously adapted to three types of memristive devices (TiO$_2$, HfO$_2$-based metal-oxide filamentary synapses, and HfZrO$_4$-based ferroelectric tunnel junctions (FTJ)) with disctinctive switching characteristics. System-level simulations of spiking neural networks incorporating these devices were conducted to validate unsupervised learning on MNIST-based pattern recognition tasks, achieving state-of-the-art performance. The results demonstrated over 83% accuracy across all devices using 200 neurons. Additionally, we assessed the impact of device variability, such as switching thresholds and ratios between high and low resistance state levels, and proposed mitigation strategies to enhance robustness.
- Abstract（参考訳）: エッジコンピューティングデバイスへのAIの展開は、エネルギー消費と機能に関する大きな課題に直面している。
これらのデバイスは、脳にインスパイアされた学習メカニズムの恩恵を受け、低消費電力でリアルタイムな適応を可能にする。
ナノスケールの抵抗記憶を持つインメモリコンピューティングは、これらのエッジデバイス上でAIワークロードの実行を可能にする上で重要な役割を果たす可能性がある。
本研究では, 電圧依存型シナプス可塑性 (VDSP) を, ヘビーンの原理に基づく, 教師なし, 局所学習のための効率的なアプローチとして導入する。
この方法は、スパイクタイピング依存塑性(STDP)に必要な複雑なパルス整形回路を必要としないオンライン学習を可能にする。
本稿では,VDSPを3種類のメムリシティブデバイス(TiO$_2$,HfO$_2$ベース金属酸化物フィラメントシナプス,HfZrO$_4$ベース強誘電体トンネル接合(FTJ))に有効に適応させる方法を示す。
これらの装置を組み込んだスパイクニューラルネットワークのシステムレベルでのシミュレーションを行い、MNISTに基づくパターン認識タスクの教師なし学習を検証し、最先端のパフォーマンスを実現した。
その結果,200個のニューロンを用いた全デバイスで83%以上の精度が得られた。
さらに、高抵抗状態と低抵抗状態の比率の切替閾値などのデバイス変動の影響を評価し、ロバスト性を高めるための緩和戦略を提案した。
関連論文リスト
- Energy-convergence trade off for the training of neural networks on bio-inspired hardware [35.74007073601019]
新たな経験的デバイスは、計算とメモリ間のコストのかかるデータ転送を排除して、ニューラルネットワークのトレーニングを加速することを約束する。
本稿では,HfO2/ZrO2超格子を用いた強誘電体シナプスデバイスについて検討し,実験によって測定した重み付けをハードウェア対応ニューラルネットワークシミュレーションに適用する。
20 ns から 0.2 ms までのパルス幅で、短いパルスは更新エネルギーを低くするが、精度を犠牲にすることなく総エネルギーを減少させる。
論文 参考訳（メタデータ） (2025-09-10T15:40:00Z) - Adaptive Spiking with Plasticity for Energy Aware Neuromorphic Systems [6.435407289576424]
ASPENはニューロモルフィックシステムのエネルギーを意識した技術で、インテリジェントで常時オン、超低消費電力、低バーデンのウェアラブルの未来を解き放つことができる。
本研究の目的は,ウェアラブルにおけるニューロモルフィックコンピューティングの実現可能性を探究し,オープンな研究方向を同定し,エネルギーを意識した計算に適応的なスパイキング技術を開発する可能性を示すことである。
論文 参考訳（メタデータ） (2025-08-11T21:25:17Z) - Efficient Memristive Spiking Neural Networks Architecture with Supervised In-Situ STDP Method [0.0]
時間的スパイクエンコーディングを備えたメムリスタベースのスパイキングニューラルネットワーク(SNN)は、超低エネルギー計算を可能にする。
本稿では,新しい教師付きin-situ学習アルゴリズムを用いて学習した回路レベルのメムリシブスパイクニューラルネットワーク(SNN)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-07-28T17:09:48Z) - 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) - 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) - 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) - NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural Network Inference in Low-Voltage Regimes [50.00272243518593]
ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は問題の多いままである。
我々は低電圧状態におけるエネルギー精度のトレードオフを処理する新しいアドオンモジュールであるNeuralFuseを開発した。
1%のビットエラー率で、NeuralFuseはアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
論文 参考訳（メタデータ） (2023-06-29T11:38:22Z) - 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) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z)
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。