利用随机脉冲时序依赖可塑性提升基于ReRAM的脉冲神经网络加速器的鲁棒性
神经与进化计算
2019-09-13 v1 新兴技术
摘要
脉冲时序依赖可塑性（STDP）是一种用于脉冲神经网络（SNN）的无监督学习算法，有望实现对人脑更深入的理解与更强大的人工智能。传统计算系统难以高效模拟SNN，而基于ReRAM等器件的存内计算（PIM）因与生物神经网络高度相似，可用于设计快速高效的基于STDP的SNN加速器。然而，此类设计的实际实现仍受输入噪声与器件变异的影响。本工作中，我们提出一种新颖的随机STDP算法，利用脉冲频率信息动态调整突触行为。该算法在带噪声输入的图案识别任务中进行了测试，并显示出优于确定性STDP的准确率。此外，我们表明新算法可用于设计对器件变异具有强韧性的鲁棒基于ReRAM的SNN加速器。
引用
@article{arxiv.1909.05401,
title = {Improving Robustness of ReRAM-based Spiking Neural Network Accelerator with Stochastic Spike-timing-dependent-plasticity},
author = {Xueyuan She and Yun Long and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:1909.05401},
year = {2019}
}