单个神经形态忆阻器紧密模拟多种突触机制以实现能效神经网络
神经与进化计算
2024-02-27 v1 介观与纳米尺度物理
摘要
生物神经网络不仅包含人工神经网络中通常假设的长期记忆和权重乘法能力，还包含更复杂的功能，如短期记忆、短期可塑性和元可塑性——所有这些功能都共存于每个突触中。在此，我们展示了基于 SrTiO3 的忆阻纳米器件，它们固有地模拟了所有这些突触功能。这些忆阻器在非丝状、低电导状态下工作，从而实现稳定且节能的运行。它们可以作为一类受生物启发的深度神经网络 (DNN) 中的多功能硬件突触，这类网络利用长期和短期突触动力学，并能够进行元学习或“学会学习”。随后，我们将这种受生物启发的 DNN 训练用于玩视频游戏 Atari Pong，这是一项动态环境中的复杂强化学习任务。我们的分析表明，与纯 GPU 实现相比，具有多功能忆阻突触的 DNN 能耗降低了约两个数量级。基于这一发现，我们推断，具有更好突触功能模拟能力的忆阻器件不仅拓宽了神经形态计算的适用性，还可能提高某些人工智能应用的性能并降低其能源成本。
引用
@article{arxiv.2402.16628,
title = {Single Neuromorphic Memristor closely Emulates Multiple Synaptic Mechanisms for Energy Efficient Neural Networks},
author = {Christoph Weilenmann and Alexandros Ziogas and Till Zellweger and Kevin Portner and Marko Mladenović and Manasa Kaniselvan and Timoleon Moraitis and Mathieu Luisier and Alexandros Emboras},
journal= {arXiv preprint arXiv:2402.16628},
year = {2024}
}