面向层级时序记忆的神经形态架构
人工智能
2018-08-20 v1 新兴技术
摘要
一种在创建时空输入流的不变表征方面大有前景的类生机机器智能算法是层级时序记忆（HTM）。这种无监督在线算法已在包括异常检测在内的若干机器学习任务中得到验证。人们已在将 HTM 算法形式化并应用于不同类问题上做出重大努力。关于 HTM 硬件架构的早期探索很少，尤其是针对较早版本 HTM 算法的空间池化器。本文中，我们提出了一种涵盖空间池化器与时序记忆的完整规模 HTM 架构。提出了合成突触设计以应对学习过程中出现的潜在且动态的互连。该架构交织了并行单元与列，使 HTM 具备高处理速度。所提架构在 MNIST 和欧洲车牌字体（EUNF）两个不同数据集上进行了验证，包含有噪声与无噪声情况。空间池化器架构在 Xilinx ZYNQ-7 上综合实现，对 MNIST 的分类准确率为 91.16%，对含噪声 EUNF 的准确率为 90%。对于时序记忆序列预测，在对来自 EUNF 数据集生成的 5 位数字长序列中观察到一阶与二阶预测，并获得了 95% 的准确率。此外，所提硬件架构相较软件实现提供了 1364 倍加速。这些结果表明，该架构可作为构建硬件 HTM 的数字核心，并最终成为独立的自学习系统。
引用
@article{arxiv.1808.05839,
title = {Neuromorphic Architecture for the Hierarchical Temporal Memory},
author = {Abdullah M. Zyarah and Dhireesha Kudithipudi},
journal= {arXiv preprint arXiv:1808.05839},
year = {2018}
}