具有片上学习与神经发生的 HTM 神经忆阻架构
新兴技术
2018-12-31 v1 机器学习
机器学习
摘要
分层时序记忆（HTM）是一种仿生序列记忆算法，有望实现对空间与时空输入的不变表示。本文提出一种用于空间池化器（SP）与稀疏分布式表示分类器的全面神经忆阻交叉阵列架构，二者是该算法的基础。所提架构具有若干与 HTM 算法紧密关联的独有特征。我们确定了适于模拟 HTM 突触的忆阻器，并提出了一种新的 Z-窗口函数。该架构利用合成突触概念以实现 HTM 中的潜在突触。SP 交叉阵列避免了由未利用交叉阵列区域导致的暗区，并支持在 2 个时钟周期内完成快速片上训练。本研究还利用神经发生与稳态固有可塑性等可塑性机制来增强 SP 的鲁棒性与性能。所提设计使用 MNIST 与 Yale 人脸数据集进行图像识别任务基准测试，并采用包括熵、稀疏性与噪声鲁棒性在内的不同指标评估。对 SP 操作各阶段进行了详细功耗分析，以证明其对移动平台的适用性。
引用
@article{arxiv.1812.10730,
title = {Neuromemrisitive Architecture of HTM with On-Device Learning and Neurogenesis},
author = {Abdullah M. Zyarah and Dhireesha Kudithipudi},
journal= {arXiv preprint arXiv:1812.10730},
year = {2018}
}