利用自适应动力学在神经-电子记忆纳米线网络中实现迁移学习
摘要：纳米线网络（NWNs）代表了一种独特的神经形态信息处理的硬件平台。除了在其交叉点结构上表现出类似突触的电阻性切换记忆外，它们的自组装还赋予其电路拓扑结构与神经网络类似的性质，这是通过传统自上而下加工方法无法实现的。除了其低功耗、成本效益和高效互连之外，神经形态的NWNs还具有容错性和自愈性。这些极具吸引力的特性主要归功于其复杂的网络连通性，它使其具备了丰富的自适应非线性动力学，包括边界混沌性。在这里，我们展示了如何利用神经形态的NWNs固有的自适应动力学来实现迁移学习。我们通过模拟一个储层计算实现来演示这一点，在该实现中，NWNs执行着著名的Mackey-Glass（MG）信号预测的基准任务。首先，我们展示了NWNs可以预测具有任意不可预测性（即混沌）的MG信号。然后，我们展示了预先暴露于MG信号的NWNs在预测方面比没有先前经验的NWNs表现更好。这种迁移学习是由网络对先前状态的集体记忆所实现的。总体而言，它们的自适应信号处理能力使得神经形态的NWNs成为物联网设备中新兴实时应用的有希望的候选者，特别是在边缘端。
作者：Ruomin Zhu, Joel Hochstetter, Alon Loeffler, Adrian Diaz-Alvarez, Adam Stieg, James Gimzewski, Tomonobu Nakayama, Zdenka Kuncic
论文ID：2011.11336
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2021-06-24