Memristor Crossbar-Based Neuromorphic Computing System: A Case Study

A masszívan párhuzamos biológiai rendszerek mintáját követve, az információ feldolgozására a neuromorf hardverek kompakt és energiahatékony platformot biztosítanak. A hagyományos Neumann architektúrának illetve a korlátozott számú csatlakozásoknak számos hátránya van, ami súlyosan korlátozza a hardveres implementációk skálázhatóságát és teljesítményét. A memrisztorok és biológiai színapszisok hasonlósága miatt az utóbbi időban számos kutatás keretében vizsgálták a nemrég felfedezett memrisztor neuromorf rendszerekben történő alkalmazhatóságát. Ebben a tanulmányban a szerzők a memrisztorokból alkotott ún. crossbar tömb, mint autóasszociatív memória működését és annak ún. brain-state-in-a-box (BSB) neurális hálózatként történő alkalmazását vizsgálják. Kiemelten a több választásos karakterfelismerő folyamat visszahívási és tanulási folyamatainak elemzését végzik el. A BSB hálózat robosztusságának elemzése és kiértékelése kiterjesztett Monte Carlo szimulációval történik, figyelembe véve a bemeneti hibákat és a folyamat szórását. Az eredmények azt mutatják, hogy a javasolt hardver-alapú tanító rendszer csökkenti, sőt meg is szünteti a letöbb zaj miatt adódó problémát.

Hu, M.; Li, H.; Chen, Y.; Wu, Q.; Rose, G.S.; Linderman, R.W., "Memristor Crossbar-Based Neuromorphic Computing System: A Case Study," Neural Networks and Learning Systems, IEEE Transactions on , vol.PP, no.99, pp.1,1