神经形态动态设备网络的噪声感知训练
机器学习
2024-10-30 v2 人工智能
新兴技术
神经与进化计算
摘要
物理计算有潜力通过利用复杂系统的内在动力学实现高效的感知、处理和交互，从而促成广泛的具身智能。虽然单个设备提供基本的数据处理能力，但互连的设备网络可以执行更复杂和多样的任务。然而，在没有物理模型和设备噪声精确量化的情况下，设计网络来执行动态任务具有挑战性。我们提出了一种新颖的、噪声感知的方法，使用神经常微分方程（Neural-SDEs）作为可微的数字孪生来训练设备网络，准确捕捉具有内在记忆的设备的动力学和相关随机性。我们的方法采用通过时间的反向传播和级联学习，允许网络有效利用物理设备的时间特性。我们在时间分类和回归基准上，在多样的自旋电子设备网络上验证了我们的方法。通过将单个设备模型的训练与网络训练解耦，我们的方法减少了所需的训练数据，并提供了一个稳健的框架，用于在不依赖其动力学解析描述的情况下对动态设备进行编程。
引用
@article{arxiv.2401.07387,
title = {Noise-Aware Training of Neuromorphic Dynamic Device Networks},
author = {Luca Manneschi and Ian T. Vidamour and Kilian D. Stenning and Charles Swindells and Guru Venkat and David Griffin and Lai Gui and Daanish Sonawala and Denis Donskikh and Dana Hariga and Susan Stepney and Will R. Branford and Jack C. Gartside and Thomas Hayward and Matthew O. A. Ellis and Eleni Vasilaki},
journal= {arXiv preprint arXiv:2401.07387},
year = {2024}
}