Dec, 2023

基于随机电阻存储的深度极值学习机的统一视觉处理

PDF
TL;DR通过硬件软件的协同设计，我们提出了基于随机电阻存储器的深度极端点学习机，实现了高效统一的点集分析，比传统系统节省了大量能源并降低了训练成本，为各种数据模态和任务提供了节能高效的边缘人工智能解决方案。
visual sensorsedge-side intelligent machinesdata representationhardware-software co-designdeep extreme point learning machine
发现论文，激发创造
  • 智能机器在非结构化环境中的差分神经计算工作

    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

  • 优化模拟人工智能的随机阻性存储裁剪

    通过软硬件协同设计和内存计算优化随机加权模拟阻性存储神经网络的拓扑结构，提高了基于模拟计算的人工智能硬件的能效和分类性能。

    Nov, 2023

  • 利用抗阻交叉点器件加速深度神经网络训练

    本篇论文提出了利用抵抗处理单元（RPU）设备加速深度神经网络（DNN）训练的概念，通过使用 RPU 设备，可以在更短的时间内，使用更少的功耗来完成大规模 DNN 的训练，并且可以实现比现有技术高达 30000 倍的加速因子和 84000 GigaOps /s/ W 的功率效率。

    Mar, 2016

  • 面向 XR 应用的边缘 AI 硬件的基于内存的设计空间探索

    本研究旨在探索面向元宇宙应用的低功耗边缘人工智能能力，通过对手势识别和眼部分割工作负载的研究，以量化和硬件特定瓶颈的影响，评估了不同的硬件设计和不同技术节点，并引入新型的非挥发性存储器技术，证明了能够在满足最低 IPS 的情况下实现能耗显著的降低（> = 24%），同时区域显着缩小（> = 30％）。

    Jun, 2022

  • 基于电阻变化器的存储器：从内存计算、深度学习加速、脉冲神经网络到神经形态计算的未来

    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

  • 基于电阻存储的高效精确神经场重建

    我们提出了一种软硬件协同优化的系统方法，用于从稀疏输入中进行信号重建，软件层面上使用神经场通过神经网络隐式表示信号，并使用低秩分解和结构化剪枝进一步压缩；硬件层面上，设计了一种基于可变电阻存储器的计算内存（CIM）平台，其中包括高斯编码器（GE）和多层感知器处理引擎（PE）。此工作推进了以人工智能为驱动的信号恢复技术，并为未来高效稳健的医疗人工智能和三维视觉应用铺平了道路。

    Apr, 2024

  • 高维鲁棒性记忆增强神经网络

    该研究旨在开发一种新型的计算机架构，将内存增强神经网络（MANN）与计算存储器单元相结合，以实现在高维向量上的模拟内存计算，并使用基于内容的注意机制来处理此计算存储器单元上的数据，并在 Omniglot 数据集上展示出良好的性能来完成少样本图像分类任务。

    Oct, 2020

  • 强缺陷神经形态硬件鲁棒训练方法的实验演示

    硬件感知训练和统计感知训练在神经网络中的应用，以应对硬件非理想性和缺陷的影响，提高网络性能。

    Dec, 2023

  • 无处理器的机器学习：非线性电子超材料中的新兴学习

    基于晶体管的自适应非线性电子网络的非线性学习超材料能够在不需计算机的情况下实现线性系统无法实现的任务，具有快速、低功耗计算潜力，适用于边缘系统如传感器、机器人控制器和医疗设备等，并可以进行大规模制造和研究新兴学习方法。

    Nov, 2023

  • 神经形态计算 deep learning 机器

    本篇论文介绍了一种名为 Event-Driven Random BP (eRBP) 规则的神经形态计算方法，可用于学习深度表示，其具有在神经形态硬件中实现的优势，并且与 GPU 上的人工神经网络模拟相比，分类准确性相近且在学习过程中鲁棒性较强。

    Dec, 2016