神经形态系统中的可塑性渗流
摘要：具有可塑系统的渗流理论（PWPs）的发展提供了神经形态计算中感兴趣的性质。与两个大电极之间的标准渗流不同，PWPs具有多个（N>1）接口，它们之间有指数级别的（N!）导电通道。这些通道由非欧姆随机电阻组成，可以通过偏置引发非挥发性修饰（可塑性）。PWPs的神经形态特性包括：多值记忆、高维度和非线性能力，能够将输入数据转化为时空模式，可调节的淡化记忆确保输出更多地依赖于最近的输入，而不需要大规模的互联。这里的一些概念性功能包括随机数生成、矩阵-向量乘法和关联记忆。了解PWP的拓扑结构、统计学和操作将开辟一个自己的领域，需要进一步的理论和实验研究。
作者：V. G. Karpov, G. Serpen, and Maria Patmiou
论文ID：2004.06511
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2020-05-05