技术论文题为“随机域wall-magnetic隧道结人工神经元noise-resilient阻挠神经网络”是由德克萨斯大学奥斯汀分校的研究人员出版。
“神经行为的时空特性神经网络(SNNs)飙升使得边缘SNNs承诺需要高能源效率的应用程序。在硬件实现SNNs,自旋电子神经元实现可伸缩性和能源效率的能带来优势。畴壁(DW)的磁隧道结(MTJ)设备非常适合概率神经网络由于其内在integrate-and-fire与可调特性转化行为。在这里,我们提出一个缩放DW-MTJ神经元与压敏电阻器发射概率。测量行为被用来模拟SNN期间达到精度的学习相比,同等,但是更复杂,举重床DW-MTJ设备。验证准确性训练中也被证明是与理想漏水的集成和消防设备。然而,在推理过程中,二进制DW-MTJ神经元表现优于高斯噪声后的其他设备引入Fashion-MNIST分类任务。这项工作表明,DW-MTJ设备可以用来构造noise-resilient网络适合神经形态计算边缘。”
找到这里的技术论文。发表:2023年6月(预印本)。
伦纳德,托马斯·塞缪尔·刘,哈里森,和吉恩·安妮·c·Incorvia。“随机域Wall-Magnetic隧道结人工神经元Noise-Resilient飙升神经网络。”arXiv预印本arXiv: 2304.04794(2023)。
留下一个回复