重启神经形态硬件设计——一种复杂性工程方法
摘要：神经形态硬件被认为是解决机器学习和人工智能应用程序中日益增长的计算需求的潜在解决方案。新出现的器件如记忆电阻、原子开关等显示出巨大潜力，可以取代CMOS电路，但由于器件变异性、随机行为和可扩展性方面的多个挑战而受到阻碍。本文将引入一种描述<->设计框架，以分析计算方面的过去成功，理解当前问题并确定未来的解决方案。使用这些新器件工程系统可能需要修改我们设计的学习描述类型以及我们用于实现这些新描述的设计方法论。我们将探索复杂性工程思想，并分析它们相对于传统的神经形态设计方法的优势和挑战。使用储层计算作为示例，了解向复杂性工程方法转变所伴随的具体变化。现在正是重启设计方法论的关键时刻，成功将代表着神经形态硬件设计方式的彻底转变，为新的范式铺平道路。
作者：Natesh Ganesh
论文ID：2005.00522
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2020-09-24