×

尖峰神经元和尖峰时间依赖性可塑性的CMOL实现。 (英语) Zbl 1221.68187号

摘要:已经提出在CMOS-分子(CMOL)体系结构上成功实现峰值神经网络,但动态学习能力尚未得到解决。在这里,我们提出了一种具有尖峰定时相关学习能力的尖峰神经拓扑,并提供了它的基本构建块,这些块很容易映射到CMOL体系结构。这种学习方法利用执行状态修改时突触上可用的空间和时间局部信息来修改突触开关的状态。
分析了该拓扑在突触前和突触后放电时间方面的性能,并对具有放电时间依赖性塑性特性的突触提供了仿真结果。此外,以一个小前馈网络为例,说明了其作为尖峰定时相关学习和同步检测的性能。

MSC公司:

68T05型 人工智能中的学习和自适应系统

软件:

交叉网
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 斯特鲁科夫,《分子电子学导论》第447页–(2005)
[2] 斯奈德,用不可靠的记忆纳米器件进行自组织计算,《纳米技术》,第18页,365202–(2007)·doi:10.1088/0957-4484/18/36/365202
[3] DeHon,基于纳米线的可编程体系结构,ACM计算系统新兴技术期刊1第109页–(2005)·数字对象标识代码:10.1145/1084748.1084750
[4] Snider,使用现场可编程纳米线互连的Nano/CMOS架构,纳米技术18(2007)·doi:10.1088/0957-4484/18/3/035204
[5] Strukov,CMOL FPGA:带双端纳米器件的混合数字电路的可重构架构,《纳米技术》16卷第888页–(2005年)·doi:10.1088/0957-4484/16/6/045
[6] Masoumi,使用纳米互补金属氧化物半导体分子电路的基本标准加密算法模块的设计和评估,纳米技术17,第89页–(2006)·doi:10.1088/0957-4484/17/1/015
[7] 斯特鲁科夫,太比特级纳米电子存储器的前景,纳米技术16,第137页–(2005)·doi:10.1088/0957-4484/16/1/028
[8] Turel,纳米电子电路的神经形态结构,《国际电路理论与应用杂志》32页277–(2004)·doi:10.1002/cta.282
[9] Lee,容错纳米电子模式分类器,《国际电路理论与应用杂志》35页239–(2007)·doi:10.1002/cta.410
[10] Wagner,使用CNN-UM模型分析视网膜ON和OFF通道之间的相互作用,《国际电路理论与应用杂志》37第87页–(2009年)·doi:10.1002/cta.498
[11] Rák,基于随机比特流的CNN及其在FPGA上的实现,《国际电路理论与应用杂志》37(4)第587页–(2009)·Zbl 1191.94158号 ·doi:10.1002/cta.569
[12] 基于Zhang W Wu NJ CMOL的细胞神经网络和用于未来图像处理的并行处理器737 740
[13] Indiveri,低功率尖峰神经元和双稳态突触的VLSI阵列,具有尖峰时间依赖性可塑性,IEEE神经网络汇刊17,第211页–(2006)·doi:10.1109/TNN.2005.860850
[14] Hoekstra,金属单电子隧穿器件的电路理论,国际电路理论与应用杂志35,第213页–(2007)·doi:10.1002/cta.412
[15] Csurgay,量子经典网络的在线模型,《国际电路理论与应用杂志》35(5-6)第471页–(2007)·Zbl 1130.81317号 ·doi:10.1002/cta.444
[16] 高,CMOL和CMOS架构和性能/价格的皮层模型,IEEE电路和系统汇刊54,第2502页–(2007)·Zbl 1374.94947号 ·doi:10.1109/TCSI.2007.907830
[17] 记忆纳米器件中的Snider GS尖峰时间相关学习85 92
[18] Afifi,在CMOS纳米神经形态网络中使用忆阻纳米器件的STDP实现,IEICE电子快报6(3)第148页–(2009)·doi:10.1587/电子邮箱6.148
[19] Gorchetchnikov,基于空间和时间局部信息的STDP模型:门控衰减的推导和组合,《神经网络》,第18页,458–(2005)·Zbl 1077.68764号 ·doi:10.1016/j.neunet.2005.06.019
[20] Maass,《尖峰神经元网络:第三代神经网络模型》,《神经网络》10 pp 1659–(1997)·doi:10.1016/S0893-6080(97)00011-7
[21] 郭士纳,《尖峰神经元模型:单个神经元,群体,可塑性》(2002)·Zbl 1100.92501号 ·doi:10.1017/CBO9780511815706
[22] Maass,《关于尖峰神经元循环回路的计算能力》,《计算机与系统科学杂志》69页593–(2004)·Zbl 1076.68062号 ·doi:10.1016/j.jcss.2004.04.001
[23] Ravinuthula,模拟计算用时间模式电路,《国际电路理论与应用杂志》37(5),第631页–(2009)·Zbl 1191.94024号 ·doi:10.1002/cta.488
[24] Izhikevich,用于皮层尖峰神经元的模型,IEEE神经网络汇刊15 pp 1063–(2004)·doi:10.1109/TNN.2004.832719
[25] Sasaki,带负阈值的VLSI峰值反馈神经网络及其在联想记忆中的应用,IEICE电子学报E89-C第1637页–(2006)·doi:10.1093/ietele/e89-c.11.1637
[26] Chicca,由具有长期记忆的塑料突触连接的完整和完整神经元组成的VLSI递归网络,IEEE神经网络汇刊14第1297页–(2003)·doi:10.1109/TNN.2003.816367
[27] Hebb,转载于《神经计算》,《1949年研究基础》第60页–(1988)
[28] Grossberg,神经网络的经典和工具条件作用,理论生物学进展3第51页–(1974)·doi:10.1016/B978-0-12-543103-3.50009-2
[29] Debanne,大鼠海马薄片培养中单个CA3锥体细胞对之间的长期突触可塑性,《生理学杂志》507第237页–(1998)·doi:10.1111/j.1469-7793.1998.237bu。x个
[30] Kistler,《结合突触前和突触后动作电位的计时建立突触可塑性模型》,《神经计算》12,第385页–(2000年)·doi:10.1162/089976600300015844
[31] Song,通过尖峰时间依赖性突触可塑性进行竞争性希伯来学习,《自然神经科学》3第919页–(2000)·doi:10.1038/78829
[32] Bi,《海马培养中活性诱导的突触修饰:对尖峰时间、突触强度和细胞类型的依赖》,《神经科学杂志》第18期第10464页–(1998)
[33] Markram,通过突触后AP和EPSP的巧合调节突触效能,《科学》275第213页–(1997)·doi:10.1126/science.275.5297.213
[34] Vogelstein,《NIPS’03会议录》,第15页–(2003)
[35] Saudargiene,《突触前和突触后信号的形状如何影响STDP:一个生物物理模型》,《神经计算》16页595–(2004)·Zbl 1050.92012年 ·doi:10.1162/089976604772744929
[36] Turel,《CrossNets:基于纳米级元件的可能神经形态网络》,《国际电路理论与应用杂志》31,第37页–(2003年)·Zbl 1016.94045号 ·doi:10.1002/cta.223
[37] Lee JH Likharev KK CMOL交叉网作为模式分类器2005 446 454
[38] 郭士纳,脉冲神经网络第353页–(1999)
[39] Chen A Haddad S Wu YC Fang TN Lan Z Avanzino S Pangrle S Buynoski M Rathor M Cai W Tripsas N Bill C VanBuskirk M Taguchi M高级存储器应用的非易失性电阻开关746 749
[40] Izhikevich,《STDP与BCM的关系》,《神经计算》,第15页,1511–(2003)·Zbl 1109.92307号 ·doi:10.1162/089976603321891783
[41] Mozzary,Function-in-layout:a demonstration with bio-in-inspired hypercuity chip,International Journal of Circuit Theory and Applications 35 pp 149–(2007)·doi:10.1002/cta.385
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。