OscNet v1.5：基于CMOS振荡器的能效Hopfield网络用于图像分类
计算机视觉与模式识别
2025-07-18 v2
摘要
机器学习已取得显著进展，但代价是巨大的计算资源。这催生了对新型节能计算架构和相应算法的迫切需求。CMOS振荡器网络（OscNet）是一种受大脑启发、专门设计的低能耗硬件。在本文中，我们提出了一种可在OscNet上实现的基于Hopfield网络的机器学习算法。该网络仅通过前向传播进行训练即可学习稀疏连接权重，在MNIST数据集上相比传统深度学习模型实现了8%的准确率提升。OscNet v1.5在MNIST上取得了具有竞争力的准确率，并且非常适合使用与CMOS兼容的环形振荡器阵列配合SHIL进行实现。在基于振荡器的推理中，我们仅使用了全连接Hopfield网络中24%的连接，准确率仅下降0.1%。OscNet v1.5仅依赖前向传播并采用稀疏连接，使其成为面向振荡器计算架构的节能机器学习流水线。OscNet系列的代码库位于：https://github.com/RussRobin/OscNet。
引用
@article{arxiv.2506.12610,
title = {OscNet v1.5: Energy Efficient Hopfield Network on CMOS Oscillators for Image Classification},
author = {Wenxiao Cai and Zongru Li and Iris Wang and Yu-Neng Wang and Thomas H. Lee},
journal= {arXiv preprint arXiv:2506.12610},
year = {2025}
}