文献

J-GLOBAL ID：201702248283519712   整理番号：17A0085402

抵抗変化型スイッチング電子シナプスによる確率論的グラフモデルを訓練する

Training a Probabilistic Graphical Model With Resistive Switching Electronic Synapses

著者 (9件)： Eryilmaz Sukru Burc (Electrical Engineering Department, Stanford University, Stanford, CA, USA) ,  Neftci Emre (Department of Cognitive Sciences, University of California at Irvine, Irvine, CA, USA) ,  Joshi Siddharth (Department of Electrical and Computer Engineering, University of California at San Diego, San Diego, CA, USA) ,  Kim SangBum (IBM Research, Yorktown Heights, NY, USA) ,  BrightSky Matthew (IBM Research, Yorktown Heights, NY, USA) ,  Lung Hsiang-Lan (Emerging Central Lab., Macronix International Co., Ltd., Hsinchu Science Park, Taiwan) ,  Lam Chung (IBM Research, Yorktown Heights, NY, USA) ,  Cauwenberghs Gert (Department of Bioengineering, University of California at San Diego, San Diego, CA, USA) ,  Wong Hon-Sum Philip (Electrical Engineering Department, Stanford University, Stanford, CA, USA)
資料名： IEEE Transactions on Electron Devices  (IEEE Transactions on Electron Devices)
巻： 63  号： 12  ページ： 5004-5011  発行年： 2016年 
JST資料番号： C0222A  ISSN： 0018-9383  CODEN： IETDAI  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： ディープラーニングとデータマイニングの現行の大規模実装は,何千ものプロセッサーと大量のオフチップ・メモリーを要し,何ギガジュールものエネルギーを消費する。ナノスケール2端子抵抗変化型スイッチングメモリー・デバイスのような新しいメモリー技術は,粒子の細かい分布した並列アーキテクチャーを持ち,オンチップの共同場所処理とメモリーを可能とする,小型で,スケーラブルで,低電力の代替案を提供する。ここでは,ディープネットワークにおける教師なし学習の重要要素として生成的な確率論的グラフモデルである,制限付きBoltzmannマシン(RBM)の実装と訓練への,抵抗変化型メモリー・デバイスの使用を初めて報告した。90個の抵抗変化型相変化メモリー(PCM)素子で実現され,コントラスティブ・ダイバージェンス・アルゴリズムの生体模倣版で訓練された45シナプスのRBMを実験的に実証し,HebbとアンチHebbの重み付け更新を実行した。この抵抗変化型PCMデバイスは,30エポック以上で訓練された紛失画素パターン完成課題において,非訓練の場合に比べて,2倍から10倍のエラー率減少を示した。このPCMデバイスによるプログラミング・エネルギー消費測定値はエポック当たり6.1nJで,従来のプロセッサー・メモリー系の約1/150であった。学習性能の,サイクル間変化とPCMアナログメモリー・デバイスにおける順次レベル数への依存性を解析し論じた。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST

シソーラス用語： *スイッチング ,  *電力消費 ,  *シナプス ,  ネットワーク ,  *確率モデル ,  Bayes推定 ,  確率分布 ,  *不揮発性メモリ ,  相転移 ,  *記憶素子 ,  電気抵抗 ,  *機械学習 ,  *ニューラルネットワーク ,  データマイニング ,  計算機アーキテクチャ ,  教師なし学習 ,  Boltzmannマシン ,  Hebb学習 ,  重みづけ ,  誤り率 ,  画像認識 ,  音声認識 ,  言語理解 ,  *学習アルゴリズム ,  分散アルゴリズム ,  エントロピー ,  情報量
準シソーラス用語： 抵抗スイッチング ,  電子シナプス ,  グラフィカルモデル ,  *確率的グラフィカルモデル ,  *相変化メモリ ,  *抵抗メモリ ,  深層学習 ,  並列アーキテクチャ ,  RBM ,  自然言語理解 ,  対照分散アルゴリズム ,  Kullback-Leibler発散

分類 (2件)： 半導体集積回路  (NC03162T) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 抵抗変化 ,  スイッチング ,  電子 ,  シナプス ,  グラフモデル ,  訓練