view in publisher's site

Memristor design rules for dynamic learning and edge processing applications

The ability to dynamically learn and adapt to changes in the environment is one of the hallmarks of biological systems. In this work, we identify the subset of the design space of memristive materials that is optimal for dynamic learning applications. Using an architecture inspired on the learning center of the insect brain, we implement a model system consisting of a discrete implementation of spiking neurons where dynamic learning takes place on a set of plastic synapses formed by memristor pairs in a crossbar array. Using two separate benchmarks, one comprising the dynamic learning of the Modified National Institute of Standards and Technology dataset and another one targeting one shot learning, we have identified the key properties that memristive materials should have to be optimal dynamic learners. The results obtained show that a fine degree of control of the memristor internal state is key to achieve high classification accuracy during dynamic learning but that within this optimal region learning is extremely robust both to device variability and to errors in the writing of the internal state, in all cases allowing for 2σ variations greater than 40% without significant loss of accuracy, hence overcoming two of the perceived limitations of memristors. By additionally requiring that learning takes place concurrently to information processing, we are able to derive a set constraints to the memristor dynamics.

قواعد طراحی Memristor برای کاربردهای یادگیری پویا و پردازش لبه

توانایی یادگیری پویا و انطباق با تغییرات در محیط یکی از نشانه‌های سیستم‌های بیولوژیکی است. در این کار، ما زیرمجموعه فضای طراحی materials memristive را شناسایی می‌کنیم که برای کاربردهای یادگیری پویا بهینه است. با استفاده از یک معماری که در مرکز آموزشی مغز حشرات قرار دارد، ما یک سیستم مدل متشکل از یک پیاده‌سازی مجزا از نورون‌های spiking را اجرا می‌کنیم که در آن یادگیری دینامیک روی مجموعه‌ای از سیناپس‌ها پلاستیکی که توسط جفت‌های ممریستور در یک آرایه افقی شکل می‌گیرد، اتفاق می‌افتد. با استفاده از دو معیار جداگانه، که یکی از آن‌ها شامل یادگیری پویا از موسسه ملی استانداردها و تکنولوژی جدید و دیگری برای هدف قرار دادن یک یادگیری عکس می‌باشد، ما ویژگی‌های کلیدی memristive را شناسایی کردیم که باید مواد memristive باید برای یادگیرندگان پویا بهینه باشند. نتایج به‌دست‌آمده نشان می‌دهد که درجه خوبی از کنترل حالت داخلی ممریستور برای دستیابی به دقت طبقه‌بندی بالا در طول یادگیری پویا کلیدی است، اما این یادگیری در درون این ناحیه بهینه، هم برای تغییر پذیری ابزار و هم برای خطاهای در نوشتن حالت داخلی، بسیار قوی است، در همه مواردی که اجازه ۲ σ بیشتر از ۴۰ % بدون از دست رفتن قابل‌توجه دقت را می‌دهد در نتیجه بر دو از محدودیت‌های perceived of غلبه می‌کند. علاوه بر این، نیاز به یادگیری همزمان با پردازش اطلاعات، ما قادر به استنتاج محدودیت‌های مجموعه برای دینامیک ممریستور هستیم.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.