OscNet：基于CMOS振荡器网络的机器学习
计算机视觉与模式识别
2025-02-12 v1
摘要
机器学习和AI已取得显著进展，但其计算资源和能耗消耗却日益增长。这导致迫切需要一种新型、高效的计算架构来取代当前计算管道。最近，一种通过模拟大脑中放电神经元并利用CMOS振荡器进行直接计算的 promising 方法涌现。本文提出一种在CMOS振荡器网络（OscNet）上实现的新型高效机器学习框架。我们基于前体脑视觉系统发育过程建模OscNet，通过受生物学启发的赫伯定律更新权重。该同一流程随后直接应用于标准机器学习任务。OscNet是一种专为设计而制的硬件，具备固有的能源效率。其仅依赖前向传播进行训练，进一步提升了能源效率，同时保持生物学合理性。仿真结果验证了OscNet架构设计。实验结果表明，OscNet上的赫伯学习管线在性能上与甚至超越传统机器学习算法，凸显其作为高效且有效计算范式的潜力。
引用
@article{arxiv.2502.07192,
title = {OscNet: Machine Learning on CMOS Oscillator Networks},
author = {Wenxiao Cai and Thomas H. Lee},
journal= {arXiv preprint arXiv:2502.07192},
year = {2025}
}