在神经形态系统中利用超顺磁体的概率切换进行时间信息编码
摘要：脑启发式计算-利用神经科学原理中的无与伦比的效率，在解决深度学习面临的若干算法和计算挑战方面表现出有希望的路径。然而，当前的神经形态计算研究是基于我们对在执行确定性操作的计算平台上运行深度学习算法的成熟概念的推动。本文认为，在概率神经形态系统中执行时间信息编码的不同方法可能有助于解决该领域当前面临的一些挑战。本文认为超参数隧道结是实现一种新一代脑启发式计算的潜在途径，它结合了计算神经科学中两个互补见解的特点和相关优势-信息如何编码以及计算在大脑中发生的方式。硬件算法协同设计分析表明，在具有高时间信息编码的脉冲稀疏性的MNIST数据集上，利用3层自旋电子学启用的概率脉冲网络的状态压缩可达到97.41%的准确率。
作者：Kezhou Yang, Dhuruva Priyan G M, Abhronil Sengupta
论文ID：2209.15186
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2023-01-13