基于忆阻器的平衡传播学习动力学
机器学习
2026-02-18 v1 新兴技术
神经与进化计算
摘要
忆阻器原位计算作为一种有前景的范式出现，旨在通过实现完全可并行化和能效高的向量-矩阵乘法来克服冯·诺依曼瓶颈和内存墙的限制。我们研究了非线性忆阻器驱动的权重更新对使用平衡传播（EqProp）训练的神经网络收敛行为的影响。六种忆阻器模型通过其电压-电流迟滞特性进行了表征，并集成到 EBANA 框架中，在两个基准分类任务上进行了评估。只要忆阻器表现出至少跨越一个数量级的足够宽的电阻范围，EqProp 就能在非线性权重更新下实现稳健收敛。
引用
@article{arxiv.2512.12428,
title = {Learning Dynamics in Memristor-Based Equilibrium Propagation},
author = {Michael Döll and Andreas Müller and Bernd Ulmann},
journal= {arXiv preprint arXiv:2512.12428},
year = {2026}
}