文献

J-GLOBAL ID：202002265264306499   整理番号：20A1898743

スケーラブルオンチップ学習のためのドメイン壁シナプスベースクロスバニューラルネットワークにおけるシナプスセル最適化とバックプロパゲーションアルゴリズム実装【JST・京大機械翻訳】

Synapse cell optimization and back-propagation algorithm implementation in a domain wall synapse based crossbar neural network for scalable on-chip learning

著者 (3件)： Kaushik Divya (Department of Electrical Engineering, Indian Institute of Technology Delhi, New Delhi, Delhi-110016 India) ,  Sharda Janak (Department of Electrical Engineering, Indian Institute of Technology Delhi, New Delhi, Delhi-110016 India) ,  Bhowmik Debanjan (Department of Electrical Engineering, Indian Institute of Technology Delhi, New Delhi, Delhi-110016 India)
資料名： Nanotechnology  (Nanotechnology)
巻： 31  号： 36  ページ： 364004 (10pp)  発行年： 2020年 
JST資料番号： W0108A  ISSN： 0957-4484  CODEN： NNOTER  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： スピン軌道トルク駆動ドメイン壁シナプスベースクロスバー完全接続ニューラルネットワーク(FCNN)におけるオンチップ学習は,従来の計算ユニットまたは他の非揮発性メモリデバイスに基づくクロスバーFCNNの訓練と比較して,速度とエネルギーに関して極めて効率的であることが示されている。しかしながら,ドメイン壁シナプスベースのFCNNにおけるオンチップ学習方式のスケーラビリティに関して問題がある。この方式はスケーラブルであり,実際のアプリケーションのための従来の計算ユニットに関するニューラルネットワークの訓練に関して競合しないであろう。本論文では,適切な閾値化ユニットを含めることにより,そのようなFCNNを訓練するために使用される標準勾配降下アルゴリズムにおける修正を提案した。これはクロスバーの各交差点でのシナプスセルの最適化につながり,システムをスケーラブルにする。データ分類のための広範囲の関数を近似するシステムのために,隠れ層を提示しなければならず,訓練のためのバックプロパゲーションアルゴリズム(多層FCNNのための勾配降下アルゴリズムの拡張)をハードウェア上で実行しなければならない。本論文では,余分のクロスバーを用いて,このアウトを行った。マイクロマグネティックシミュレーションとSPICE回路シミュレーションの組み合わせを通して,著者らは,異なる機械学習データセットのための隠れ層のないものと比較して,隠れ層を有するドメイン壁syanpseベースのFCNNのための高度に改良された精度を示した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  *最適化 ,  *学習 ,  交差点 ,  *ニューラルネットワーク ,  *シナプス ,  応用プログラム ,  ハードウェア ,  不揮発性メモリ ,  多層 ,  機械学習 ,  回路シミュレーション
準シソーラス用語： *オンチップ ,  隠れ層 ,  マイクロマグネティックシミュレーション , 【Automatic Indexing@JST】

分類 (3件)： 脳・神経系モデル  (EL02050C) ,  トランジスタ  (NC03070N) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (6件)： 学習 ,  ドメイン壁 ,  シナプス ,  セル ,  最適化 ,  実装