基于随机磁隧道结的硬件感知原位玻尔兹曼机学习
介观与纳米尺度物理
2022-01-17 v2 无序系统与神经网络
新兴技术
摘要
当前电子学的一大挑战是设计和实现能够进行快速且高能效机器学习的硬件神经网络。自旋电子学凭借纳秒级操作能力以及与现有微电子学的兼容性,是该领域一个有前景的催化剂。然而,考虑到大规模可行的神经形态系统,器件特性的差异性是一个严重问题。在本文中,我们展示了一个自主运行的电路,其利用由随机磁隧道结构建的概率神经元进行硬件感知机器学习。我们展示了玻尔兹曼机中权重和偏置的原位学习可以抵消器件间差异,并学习诸如全加器等有意义操作的概率分布。这种使用基于自旋电子学神经元的、可扩展且自主运行的学习电路,对于能够在边缘进行快速高效学习的独立人工智能设备尤其令人关注。
引用
@article{arxiv.2102.05137,
title = {Hardware-aware $in \ situ$ Boltzmann machine learning using stochastic magnetic tunnel junctions},
author = {Jan Kaiser and William A. Borders and Kerem Y. Camsari and Shunsuke Fukami and Hideo Ohno and Supriyo Datta},
journal= {arXiv preprint arXiv:2102.05137},
year = {2022}
}