文献

J-GLOBAL ID：201702239004592009   整理番号：17A0966000

メモリスタクロスバー・アレイに基づくハイブリッドスパイキングベース多層自己学習神経形態学的システム【Powered by NICT】

Hybrid spiking-based multi-layered self-learning neuromorphic system based on memristor crossbar arrays

著者 (5件)： Hassan Amr M. (Electrical and Computer Engineering Department, University of Pittsburgh) ,  Yang Chaofei (Electrical and Computer Engineering Department, University of Pittsburgh) ,  Liu Chenchen (Electrical and Computer Engineering Department, University of Pittsburgh) ,  Li Hai Helen (Electrical and Computer Engineering Department, University of Pittsburgh) ,  Chen Yiran (Electrical and Computer Engineering Department, University of Pittsburgh)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： DATE  ページ： 776-781  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 神経形態学的コンピューティングシステムは,高速低電力応用における伝統的なvon Neumannシステムのための潜在的な代替として研究されている。最近,メモリスタクロスバーアレイは,スパイキングベース神経形態学的システムを実現するために利用した,メモリスタコンダクタンス値はシナプス荷重と一致していた。これらのシステムのほとんどは,単一クロスバー層,システム訓練はオフチップ,計算機によるシミュレーションを用いて行われるから構成されている,訓練された重みがメモリスタクロスバーアレイに予めプログラムされた。しかし,多層,オンチップ訓練システムは,大量のデータを扱うとメモリスタ時間外に生じる抵抗変化を克服するために重要になる。本研究では,オンライン訓練できるスパイキングベース多層神経形態学的計算システムを提案した。システム性能は改善された結果と以前の研究を示す三種類のデータセットを用いて評価した。さらに,システム精度対メモリスタ抵抗変化を研究する有望な結果を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： シナプス ,  計算機システム ,  計算機械 ,  *多層 ,  高速度
準シソーラス用語： システム性能 ,  抵抗変化 ,  *メモリスタ ,  訓練システム ,  オンチップ ,  *神経形態学 ,  自己学習 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 多層 ,  自己学習 ,  神経形態学