来自圣母大学和加州大学欧文分校认知科学系的新研究论文《具有随机突触的神经采样机允许类脑学习和推理》。
摘要
“许多现实世界的关键任务应用程序需要从噪声数据中持续在线学习，并在确定的置信度下进行实时决策。脑启发的神经网络概率模型可以明确地处理数据中的不确定性，并允许动态的自适应学习。然而，在紧凑、低功耗的硬件上实现它们仍然是一个挑战。在这项工作中，我们介绍了一种新的硬件结构，可以通过利用突触连接中的随机性进行近似贝叶斯推断来实现一种新的随机神经网络，称为神经采样机(NSM)。通过将基于铁电场效应晶体管(FeFET)的模拟权重单元与两端随机选择元件配对，实验证明了一种硅内混合随机突触。我们证明了选择器在绝缘体和金属态之间的随机开关特性类似于NSM的乘法突触噪声。我们执行网络级模拟，以突出随机NSM提供的显著特征，例如为持续在线学习和贝叶斯推理执行自主权重归一化。我们表明，随机NSM不仅可以在标准MNIST数据集上执行98.25%的高精度图像分类，而且还可以估计MNIST数据集的数字旋转时的预测不确定性(以预测熵衡量)。构建这样一个概率硬件平台，可以支持神经科学启发的模型，可以增强当前人工智能(AI)的学习和推理能力。”
找到开放获取这里是技术论文。2022年5月出版。
Dutta, S.， Detorakis, G.， Khanna, A.等。具有随机突触的神经采样机可以实现类脑学习和推理。Nat公社13,2571(2022)。https://doi.org/10.1038/s41467-022-30305-8
参观半导体工程技术论文库并发现更多芯片行业的学术论文。
留下回复