文献

J-GLOBAL ID：202202221888102802   整理番号：22A1101903

時間対第一スパイク符号化を用いたオンチップ訓練可能スパイキングニューラルネットワーク【JST・京大機械翻訳】

On-Chip Trainable Spiking Neural Networks Using Time-To-First-Spike Encoding

著者 (10件)： Im Jiseong (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Kim Jaehyeon (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Yoo Ho-Nam (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Baek Jong-Won (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Kwon Dongseok (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Oh Seongbin (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Kim Jangsaeng (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Hwang Joon (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Park Byung-Gook (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea) ,  Lee Jong-Ho (Department of Electrical and Computer Engineering and ISRC, Seoul National University, Seoul, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 31263-31272  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 人工ニューラルネットワーク(ANN)は様々な分野で顕著な性能を示した。しかし,ANNはvon-Neumannアーキテクチャに依存し,多くの電力を消費する。人間の脳に触発されたハードウェアベースのスパイキングニューラルネットワーク(SNN)は,著しく低い電力消費で代替となっている。本論文では,時間対1スパイク(TTFS)法を用いてオンチップ訓練可能なSNNを提案した。オンチップ学習に適したTTFSを用いて,従来のSNNの学習ルールを修正した。デバイスメーカーにより作製された垂直NANDフラッシュメモリセルを,シナプスデバイスとして使用した。ハードウェア実装を考慮した全学習プロセスも実証した。提案したネットワークの性能を,Pythonを用いたシステムレベルシミュレーションにおけるMNIST分類を通して評価した。提案したSNNは,784Ω≦400Ω≦10のネットワークサイズに対して96%の精度を示した。また,推論精度に対する非理想セル特性(パルス対パルスおよびデバイス対デバイス変動のような)の影響を調べた。このネットワークは,オフチップ訓練を用いたネットワークと比較して,様々なデバイス変動に対する優れた免疫を示す。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  学習 ,  電力 ,  *ネットワーク ,  電力消費 ,  *ニューラルネットワーク ,  シナプス ,  生産者 ,  ハードウェア ,  パルス ,  計算機アーキテクチャ
準シソーラス用語： *オンチップ ,  学習則 ,  ハードウェア実装 ,  *スパイキングニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： スパイク ,  符号化 ,  オンチップ ,  訓練 ,  スパイキングニューラルネットワーク