利用硬件加速的反射记忆增强仿生层次化时间记忆
机器学习
2025-12-17 v1 人工智能
摘要
物联网的快速扩张产生了泽字节级的数据，需要高效的无监督学习系统。层次化时间记忆（HTM）作为一种第三代无监督 AI 算法，通过模拟神经元柱来处理和预测序列，从而对人类大脑的新皮层进行建模。这些神经元柱能够跨多个阶记忆和推断序列。虽然多阶推断提供了强大的预测能力，但它们通常伴随着显著的计算开销。HTM 中管理这些推断的序列记忆（SM）组件，主要由于其庞大的可编程互连而遇到瓶颈。在许多情况下，可以观察到一阶时间关系已被证明是足够的，且没有任何显著的效率损失。本文引入了一种受脊髓工作机制启发的反射记忆（RM）模块，旨在加速一阶推断的处理。RM 模块执行这些推断的速度明显快于 SM。RM 与 HTM 的集成形成了一个称为加速层次化时间记忆（AHTM）的系统，它比原始 HTM 更高效地处理重复信息，同时仍支持多阶推断。实验结果表明，HTM 预测一个事件需要 0.945 s，而 AHTM 模块仅需 0.125 s。此外，RM 在内容寻址存储器（CAM）模块中的硬件实现，即硬件加速层次化时间记忆（H-AHTM），仅需 0.094 s 即可预测一个事件，显著提升了推断速度。与原始算法 \cite{bautista2020matlabhtm} 相比，AHTM 将推断速度提升了 7.55 倍，而 H-AHTM 进一步以 10.10 倍的加速比增强了性能。
引用
@article{arxiv.2504.03746,
title = {Enhancing Biologically Inspired Hierarchical Temporal Memory with Hardware-Accelerated Reflex Memory},
author = {Pavia Bera and Sabrina Hassan Moon and Jennifer Adorno and Dayane Alfenas Reis and Sanjukta Bhanja},
journal= {arXiv preprint arXiv:2504.03746},
year = {2025}
}