超导单流量子形式深度神经形网络

Sep, 2023

超导单流量子形式深度神经形网络

Deep Neuromorphic Networks with Superconducting Single Flux Quanta

Gleb Krylov, Alexander J. Edwards, Joseph S. Friedman, Eby G. Friedman

TL;DR传统半导体集成电路正逐渐接近基础尺度极限。近期出现了许多潜在解决方案来补充或替代基础设备所构建的技术和数据处理架构。神经形态电路是一种有前途的计算方法，利用大脑实现高效性的技术。许多现有的神经形态电路依赖于新技术的非凡和有用性质来更好地模拟大脑的运作。本文介绍了一种用于深度单通量量子神经形态网络的设计方法。基于 SFQ 技术的突触和神经元电路被提出并表征。基于这些基本单元，通过在体系结构和电路级别上进行评估，实现了广泛的分类边界。该方法不使用非传统超导设备或半导体晶体管。由外部电流调整的结果网络使得该系统成为可扩展的低温神经形态计算的有效方法。

Abstract

Conventional semiconductor-based integrated circuits are gradually approaching fundamental scaling limits. Many prospective solutions have recently emerged to supplement or replace both the technology on which basic devices are built and the architecture of data processing. Neuromorphic circuits are a promising approach to computing where techniques used by

neuromorphic circuits single flux quantum (sfq) logic deep single flux quantum neuromorphic networks superconductive technology scalable cryogenic neuromorphic computing

发现论文，激发创造

超导光电单光子突触的演示

该论文探讨了超导光电硬件作为通往具有前所未有的复杂性和计算能力的人工脉冲神经网络的一种方法，并研究了单光子探测器与约瑟夫森结的单片集成，以实现超导光电突触，并介绍了执行单光子突触前突触信号的模拟加权和时间泄漏积分的电路，响应前突触脉冲速率达 10 MHz，耗电量约为 33 aJ。

Apr, 2022

SupeRBNN: 使用绝热超导约瑟夫森器件的随机化二值神经网络

在本文中，我们提出了 SupeRBNN，这是一种基于 AQFP 的随机化二值神经网络加速框架，利用软硬件协同优化来使 AQFP 设备成为可行的 BNN 加速解决方案。通过研究 AQFP 设备的随机行为，分析交叉栅大小对电流衰减的影响，并将电流幅度制定为适合于 BNN 计算的值。为了解决积累问题并提高硬件性能，我们提出了基于随机计算的累加模块和基于时钟调整的电路优化方法。实验证明，与基于不同技术（包括 CMOS、ReRAM 和超导 RSFQ/ERSFQ）的实现相比，我们的设计在保持类似模型准确性水平的情况下，能够实现大约 7.8x10^4 倍的能效提升。此外，与超导体相比，我们的框架具有至少两个数量级的能效提升。

Sep, 2023

高效优化和可解释的量子神经网络

我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

Nov, 2022

LogicNets: 极高吞吐量应用的协同设计神经网络和电路

通过设计神经网络拓扑结构来直接映射高效 FPGA 实现的一种新方法。其中，硬件成本与神经元扇入呈指数级增长，通过使用稀疏和低比特激励量化来限制神经元扇入及减小逻辑深度和低 LUT 成本，可以实现具有高速低延时和高吞吐量的电路。应用于高能物理和网络入侵检测等任务，具有竞争性的准确性，每秒推断量可达数亿。

Apr, 2020

相干前馈量子神经网络

我们提出了一种真正的量子神经网络模型，其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性，并且具有较低的电路深度和所需的 C-NOT 门数量，从而优于现有的量子神经网络模型。通过对基准数据集进行测试，我们证明了我们的方法的优越性能，并且使用更少的量子资源要求，为将量子神经网络应用于实际相关的机器学习问题铺平了道路。

Feb, 2024

使用 Fowler-Nordheim 量子隧穿进行设备本地突触存储的巩固

用 Fowler-Nordheim 量子隧穿器件实现突触记忆巩固并存储其历史使用统计信息，这提供了一种超低能耗的方法来实现突触记忆巩固和持久学习。

Jun, 2022

可扩展的量子神经网络用于分类

本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

Aug, 2022

量子神经网络用于量子神经计算

本研究提出了一种新的量子神经网络模型，使用实际存在的环境诱导的退相干的量子系统上的 (经典控制的) 单量子比特操作和测量，从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。

May, 2023

量子神经网络和软量子计算

提出了一种新的量子计算方法，称为软量子计算，利用真实的量子系统和自然环境引起的相干和耗散来开展非经典计算。作为软量子计算的一个具体示例，我们建议使用 “受控 Kraus 操作” 通过成对连接神经元，希望为量子人工智能甚至更好地理解人脑的某些功能开辟一条更容易和更现实的道路。我们的量子神经元模型尽可能地模仿现实神经元，并同时使用量子定律来处理信息。噪声神经网络的量子特性是通过量子不和谐性和非压缩性来发现的。我们相信，我们的模型将量子计算置于更广泛的背景下，并激发了早期发展软量子计算机的希望。

Oct, 2018

NeuCASL: 从逻辑设计到神经形态芯片系统仿真

使用 python 构建了一个开源的适用于神经形态逻辑设计、电路模拟、系统性能和可靠性评估的完整系统 CAD 框架 NeuCASL。

Aug, 2022