软边界忆阻突触的鲁棒学习规则在标准脉冲神经网络中可与监督学习相媲美
新兴技术
2022-04-13 v1 机器学习
神经与进化计算
摘要
忆阻器件是一类电路元件，作为脑启发计算的未来构建模块展现出巨大前景。理论神经科学中一种有影响力的观点将大脑视为函数计算设备：给定输入信号，大脑应用某一函数以生成新的内部状态与运动输出。因此，能够逼近函数是未来脑研究及推导更高效计算机器所依赖的基本公理。在本工作中，我们应用一种新颖的监督学习算法——基于控制铌掺杂钛酸锶忆阻突触——来学习非平凡的多维函数。通过将我们的方法实现于脉冲神经网络模拟器 Nengo 中，我们表明至少能够匹配使用理想线性突触时所获得的性能，并由此证明此类忆阻器件可被用作计算基底，以迈向更高效、脑启发的计算。
引用
@article{arxiv.2204.05682,
title = {A Robust Learning Rule for Soft-Bounded Memristive Synapses Competitive with Supervised Learning in Standard Spiking Neural Networks},
author = {Thomas F. Tiotto and Jelmer P. Borst and Niels A. Taatgen},
journal= {arXiv preprint arXiv:2204.05682},
year = {2022}
}
备注
7 pages, 4 figures, 1 table