随机树突使混合信号神经形态处理系统具备在线学习能力
摘要：事件驱动的神经形态系统在边缘计算感知处理应用中需要严格的存储和功耗限制，成为一种有前途的技术。芯片上的在线学习使得系统能够学习输入数据的统计信息并适应其变化。在事件驱动的神经形态系统上实现在线学习需要：(i)基于脉冲的学习算法，仅利用来自流数据的局部信息计算权重更新，(ii)将这些权重更新映射到有限位精度的存储器上，(iii)以稳健的方式完成映射，使系统在达到最佳输出时不会进行不必要的更新。最近的神经科学研究表明皮层神经元的树突末梢可以在生物神经网络中解决这些问题。受到这些研究的启发，我们提出了基于脉冲的学习电路，以实现随机树突在线学习。这些电路嵌入在使用180nm工艺制造的原型脉冲神经网络中。遵循算法-电路共设计方法，我们提供了具备学习规则特性的电路和行为仿真结果。我们使用行为仿真验证了提出的方法，该仿真应用于MNIST基准测试的具有4位精度权重的单层网络，并展示了高于85%的准确率。
作者：Matteo Cartiglia, Arianna Rubino, Shyam Narayanan, Charlotte Frenkel, Germain Haessig, Giacomo Indiveri, Melika Payvand
论文ID：2201.10409
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2022-01-26