本研究基于 memristive neuron 和 memristive synapse 提出了一个完全基于 memristor 的脉冲神经网络 (MSNN),并采用无监督的 Spiking Time Dependent Plasticity (STDP) 学习规则。我们通过电路模拟验证了 MSNN 的学习效果,并实现了两种类型的 MSNN 结构:一种是生物学合理的记忆检索系统,另一种是用于多类别分类。
Mar, 2022
本文研究了如何在神经形态多芯片系统(NMS)上训练概率主题模型,提出了三种算法,一种是批量算法,另外两种是在线算法,使用了新颖的随机优化方法和高效的能量和存储策略,并成功用于 pLSI 和 LDA 训练,结果表明这些算法不仅能够与常规计算机算法相媲美,而且更适合在 NMS 上实现。
Apr, 2018
本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面,以解决能效问题。
Jan, 2019
通过提取环境信息的主要特征并将相关编码刺激应用于忆阻器,我们成功地在处理非结构化环境信息方面获得了类人的能力,比如机械刺激的放大(>720%)和适应性(<50%)。这种方法还在智能机器的两个典型应用(物体抓取和自动驾驶)中展示了良好的可扩展性和泛化性能。
Sep, 2023
利用学习到学习框架,本文成功识别出膜电位的行为特征和最优超参数,这些特征与以前的研究相吻合,这表明 memristive reservoirs 可以模拟尖峰神经元的膜电位行为,并且可以作为尖峰电流和连续过程之间的接口。
Jun, 2023
本研究提出了基于脉冲编码理论和脉冲神经网络的估计框架,利用神经形态计算机的效率和可伸缩性来实现小型、轻量化和低功耗计算机在无人系统计算机中的应用并证明了其在精度和鲁棒性方面优于传统算法,减少近 97% 的能量消耗。
Jul, 2023
本文综述深度学习、电晕电阻存储器(Memristors)和尖峰神经网络等人工智能领域的新技术。文章重点讨论了依赖非冯・诺依曼体系结构的计算和定制学习和推理算法的必要性,并展望了未来神经形态的计算系统。
Apr, 2020
通过生物神经元的树突机制推导出 AI 领域中的重要问题,为构建更强大、能源效率更高的人工学习系统提供了新的解决方案。
提出了一种基于突触可塑性动态的学习规则,该规则通过融合强化学习和非监督学习模拟误差反馈机制和两个重要机制,包括错误反馈系统以及非监督学习。
Mar, 2023
低功耗、自主学习的人工智能 (AI) 系统对于能够应用于边缘设备并快速适应特定场景的需求日益增长。本文将学习到学习 (L2L) 的概念与基于相变存储器设备的内存计算神经形态硬件 (NMHW) 相结合,构建了能够快速适应新任务的高效 AI 模型。通过两种场景的实证表明了我们方法的多功能性:一个卷积神经网络进行图像分类,以及一个生物启发的脉冲神经网络为真实机械臂生成运动指令。这两个模型在少量参数更新的情况下快速学习,并在 NMHW 上性能与软件等效。此外,这些模型的元训练可以在高精度的软件环境中完成,无需准确的硬件模型。
Apr, 2024