基于MemTorch的神经电路仿真：用于MNIST和CIFAR的数据集设计与评估
神经与进化计算
2024-07-19 v1 计算物理
摘要
神经器材料因其非易失性、低功耗以及历史依赖导电性等优势，作为内存计算器件在神经电路领域具有重要价值。当前神经网络受制于冯·诺依曼架构和高能耗限制。本研究评估了利用神经器材料进行内存处理的可行性，通过构建并训练三个数字卷积神经网络，使用MNIST、CIFAR10和CIFAR100数据集。随后将这些网络转换为神经器系统，使用Memtorch进行仿真。在理想条件下，仿真结果显示推理过程中几乎仅有约1%的精度损失。此外，本文分析了砖块大小和神经器材料特性对性能的影响，突出了将神经器材料集成到神经计算系统中所具有的实际意义。该探索强化了Memtorch在推动神经电路架构方面的潜力。
引用
@article{arxiv.2407.13410,
title = {Neuromorphic Circuit Simulation with Memristors: Design and Evaluation Using MemTorch for MNIST and CIFAR},
author = {Julio Souto and Guillermo Botella and Daniel García and Raúl Murillo and Alberto del Barrio},
journal= {arXiv preprint arXiv:2407.13410},
year = {2024}
}