用于高能效在线学习的塑性增强型畴壁 MTJ 神经网络
神经与进化计算
2020-03-06 v1 机器学习
摘要
机器学习通过大量训练样本实现反向传播。我们展示了一种由一种有前景的非易失性存储器件——畴壁磁隧道结（DW-MTJ）实现的多阶段学习系统。该系统由无监督（聚类）与有监督子系统组成，并能快速泛化（仅需少量样本）。我们展示了该器件的物理特性与受神经科学启发的可塑性学习规则的最优实现之间的相互作用，并突出了在一组任务上的性能。我们的能量分析证实了该方法的价值，因为即便对于机器学习中常用的较大任务，学习预算也保持在 20 以下。
引用
@article{arxiv.2003.02357,
title = {Plasticity-Enhanced Domain-Wall MTJ Neural Networks for Energy-Efficient Online Learning},
author = {Christopher H. Bennett and T. Patrick Xiao and Can Cui and Naimul Hassan and Otitoaleke G. Akinola and Jean Anne C. Incorvia and Alvaro Velasquez and Joseph S. Friedman and Matthew J. Marinella},
journal= {arXiv preprint arXiv:2003.02357},
year = {2020}
}