利用忆阻纳米器件学习架构中的短期到长期可塑性转变
神经与进化计算
2016-06-28 v1 适应与自组织系统
摘要
忆阻纳米器件为在芯片上融合算术与存储操作的计算系统开辟了新前沿。本文探索了在纳米级学习系统中集成具有可调丝状开关特性的电化学金属化（ECM）纳米器件。此类器件提供了短期可塑性（STP）与长期可塑性（LTP）之间的自然过渡。本工作表明，这一特性可被利用来高效解决噪声分类任务。首先引入并评估了一种单交叉杆学习方案。仅在输入模式简单、处于关键时序参数范围内且器件变异性弱时，才可能实现完美分类。为克服这些局限，随后引入了一种部分受极限学习机（ELM）方法启发的双交叉杆学习系统。当第一层在训练和测试前被印记时，该方法优于传统的 ELM 启发式系统，尤其在考虑器件时序演化变异性时更是如此：变异性因此从问题转变为特性。在相同条件下尝试对 MNIST 数据库进行分类时，传统 ELM 获得 84% 的分类准确率，印记的均匀器件系统获得 88% 的分类准确率，而印记的可变器件系统达到 92% 的分类准确率。我们从能耗、复杂度、面积印记和速度方面讨论了两种系统的优缺点。所有这些结果凸显出，调谐和利用器件内在时序参数可能是未来受生物启发的近似计算系统的核心关注点。
引用
@article{arxiv.1606.08366,
title = {Exploiting the Short-term to Long-term Plasticity Transition in Memristive Nanodevice Learning Architectures},
author = {Christopher H. Bennett and Selina La Barbera and Adrien F. Vincent and Fabien Alibart and Damien Querlioz},
journal= {arXiv preprint arXiv:1606.08366},
year = {2016}
}
备注
9 pages, 8 figures. To be presented July 2016 at the International Joint Conference on Neural Networks (IJCNN), Vancouver, BC, Canada