文献

J-GLOBAL ID：202102258801995439   整理番号：21A0992394

非理想的シナプスデバイスに基づくニューロモルフィックシステムのためのオンチップ学習法【JST・京大機械翻訳】

An On-Chip Learning Method for Neuromorphic Systems Based on Non-Ideal Synapse Devices

著者 (5件)： Lee Jae-Eun (Department of Electronic Materials Engineering, Kwangwoon University, 20, Gwangun-ro, Nowon-Gu, Seoul 01897, Korea) ,  Lee Chuljun (Department of Materials Science & Engineering, Pohang University of Science and technology (POSTECH), 77 Cheongam-Ro, Nam-Gu, Pohang, Gyeongbuk 37673, Korea) ,  Kim Dong-Wook (Department of Electronic Materials Engineering, Kwangwoon University, 20, Gwangun-ro, Nowon-Gu, Seoul 01897, Korea) ,  Lee Daeseok (Department of Electronic Materials Engineering, Kwangwoon University, 20, Gwangun-ro, Nowon-Gu, Seoul 01897, Korea) ,  Seo Young-Ho (Department of Electronic Materials Engineering, Kwangwoon University, 20, Gwangun-ro, Nowon-Gu, Seoul 01897, Korea)
資料名： Electronics (Web)  (Electronics (Web))
巻： 9  号： 11  ページ： 1946  発行年： 2020年 
JST資料番号： U7178A  ISSN： 2079-9292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本論文では,事前開発した実際のシナプスデバイスの貧弱な特性を克服することができるオンチップ学習法を提案し,それによって神経形態学的システムに基づくニューラルネットワークの精度を増加させる。Pr_1xCa_xMnO_3,LiCoO_2,およびTiO_xに基づく作製したシナプスデバイスは,本質的に,非線形性,不連続性,および非対称コンダクタンス応答のような望ましくない特性に悩まされ,それは神経形態学的システム性能を劣化させる。これらの限界に対処するために,コンダクタンス変化を制御するコンダクタンスベースの線形加重量子化法を提案し,標準データベースMNISTから手書き数字を予測するためにニューラルネットワークを訓練した。さらに,シナプスデバイスが実際に受容できるコンダクタンスレベルを制限することにより信頼性を確保するために,非理想ケースを定量的に考察した。この提案した学習法に基づき,シナプスデバイスまたは神経形態システムへのハードウェア修正なしに,神経形態学的システムを大幅に改善した。したがって,結果は,貧弱なシナプス特性を有するデバイスでさえ,神経形態学的システム性能を改良できることを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 量子化 ,  *学習 ,  信頼性 ,  データベース ,  ニューラルネットワーク ,  *シナプス ,  非対称性 ,  線形性 ,  非線形性 ,  ハードウェア ,  不連続性 ,  コンダクタンス
準シソーラス用語： *オンチップ ,  システム性能 ,  神経形態学 , 【Automatic Indexing@JST】

著者キーワード (5件)： 神経形態 ,  ニューラルネットワーク ,  シナプス装置 ,  量子化 ,  オンチップトレーニング

分類 (2件)： 半導体集積回路  (NC03162T) ,  脳・神経系モデル  (EL02050C)

引用文献 (21件)：

• Hu, J.; Shen, L.; Albanie, S.; Sun, G.; Wu, E. Squeeze-and-excitation networks. IEEE Trans. Pattern Anal. Mach. Intell. 2020, 42, 2011-2023.
• He, K.; Gkioxari, G.; Dollar, P.; Girshick, R. Mask R-CNN. In Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 22-29 October 2017; pp. 2980-2988.
• Yu, S. Neuro-inspired computing with emerging nonvolatile memorys. Proc. IEEE 2018, 106, 260-285.
• Prezioso, M.; Merrikh-Bayat, F.; Hoskins, B.D.; Adam, G.C.; Likharev, K.K.; Strukov, D.B. Training and operation of an integrated neuromorphic network based on metal-oxide memristors. Nat. Cell Biol. 2015, 521, 61-64.
• Thomas, A. Memristor-based neural networks. J. Phys. D Appl. Phys. 2013, 46, 9.

タイトルに関連する用語 (2件)： シナプス ,  オンチップ