NeoHebbian 突触加速仿生硬件的在线训练
新兴技术
2024-11-28 v1 神经与进化计算
摘要
仿生系统采用高级突触学习规则（如三因子学习规则）需要突触器件的增加复杂度。本文提出并实验验证了一种利用 ReRAM 器件的新型 neoHebbian 人工突触。该突触具有两种 distinct state variables：神经元耦合权重和一个 "情节痕迹"，后者决定突触权重更新。耦合权重编码在 ReRAM 段导电率中，而 "情节痕迹" 编码在 ReRAM 的局部温度中，通过对物理相邻的加热元件施加电压脉冲进行调制。通过两个代表性任务验证了所提突触的实用性：首先使用包含 e-prop 算法的循环脉冲神经网络 (RSNN) 进行时序信号分类；其次使用修改版相同学习规则在馈送网络中进行强化学习 (RL) 以进行路径规划。包括各种器件和系统层面的 non-idealities 的系统级仿真确认，这些突触为在仿生硬件中实现高级学习规则的快速、紧凑和能源高效提供了稳健解决方案。
关键词
引用
@article{arxiv.2411.18272,
title = {NeoHebbian Synapses to Accelerate Online Training of Neuromorphic Hardware},
author = {Shubham Pande and Sai Sukruth Bezugam and Tinish Bhattacharya and Ewelina Wlazlak and Anjan Chakaravorty and Bhaswar Chakrabarti and Dmitri Strukov},
journal= {arXiv preprint arXiv:2411.18272},
year = {2024}
}