Neuromorphic computing with multi-memristive synapses.
Neuromorphic computing with multi-memristive synapses.
复制标题
DOI：
10.1038/s41467-018-04933-y
复制
发表时间：
2018-06-28
影响因子：
16.6
通讯作者：
Eleftheriou E
中科院分区：
文献类型：
--
作者：
Boybat I;Le Gallo M;Nandakumar SR;Moraitis T;Parnell T;Tuma T;Rajendran B;Leblebici Y;Sebastian A;Eleftheriou E
神经形态计算已成为构建下一代智能计算系统的一条有前途的途径。有人提出，忆阻装置表现出依赖于历史的电导率调制，可以有效地表示人工神经网络中的突触权重。然而，在宽动态范围内对器件电导进行精确调制（维持高网络精度所必需的）被证明具有挑战性。为了解决这个问题，我们提出了一种具有高效全局计数器仲裁方案的多重忆阻突触架构。我们专注于相变存储器件，开发了一个综合模型，并通过模拟证明了该概念对于尖峰和非尖峰神经网络的有效性。此外，我们还展示了涉及超过一百万个相变存储设备的实验结果，用于使用尖峰神经网络进行时间相关性的无监督学习。这项工作向实现大规模、节能的神经形态计算系统迈出了重要一步。忆阻技术是实现高效非冯诺依曼神经形态硬件的一条有前途的途径。博伊巴特等人。提出了一种具有基于计数器的全局仲裁方案的多忆阻突触架构，以解决与非理想忆阻设备行为相关的挑战。
Neuromorphic computing has emerged as a promising avenue towards building the next generation of intelligent computing systems. It has been proposed that memristive devices, which exhibit history-dependent conductivity modulation, could efficiently represent the synaptic weights in artificial neural networks. However, precise modulation of the device conductance over a wide dynamic range, necessary to maintain high network accuracy, is proving to be challenging. To address this, we present a multi-memristive synaptic architecture with an efficient global counter-based arbitration scheme. We focus on phase change memory devices, develop a comprehensive model and demonstrate via simulations the effectiveness of the concept for both spiking and non-spiking neural networks. Moreover, we present experimental results involving over a million phase change memory devices for unsupervised learning of temporal correlations using a spiking neural network. The work presents a significant step towards the realization of large-scale and energy-efficient neuromorphic computing systems. Memristive technology is a promising avenue towards realizing efficient non-von Neumann neuromorphic hardware. Boybat et al. proposes a multi-memristive synaptic architecture with a counter-based global arbitration scheme to address challenges associated with the non-ideal memristive device behavior.
登录
查看更多内容
影响因子：
16.6
作者：
Boyn S;Grollier J;Lecerf G;Xu B;Locatelli N;Fusil S;Girod S;Carrétéro C;Garcia K;Xavier S;Tomas J;Bellaiche L;Bibes M;Barthélémy A;Saïghi S;Garcia V
通讯作者：
Garcia V
使用电阻交叉点设备的深度神经网络训练的加速：设计注意事项。
影响因子：
4.3
作者：
Gokmen T;Vlasov Y
通讯作者：
Vlasov Y
DOI：
10.1007/s00339-011-6264-9
发表时间：
2011-03-01
影响因子：
2.7
作者：
Chua, Leon
通讯作者：
Chua, Leon
影响因子：
3.1
作者：
Burr, Geoffrey W.;Shelby, Robert M.;Hwang, Hyunsang
通讯作者：
Hwang, Hyunsang
影响因子：
64.8
作者：
Benke, TA;Lüthi, A;Collingridge, GL
通讯作者：
Collingridge, GL