002625— 首页nbsp;nbsp;ldquo;冯·诺伊曼架构瓶颈
发布时间:2019-10-09 20:05   文章来源:河北省新闻门户   浏览次数:

忆阻器、相变存储器等新型非易失性存储器因在类脑计算领域展现了巨大的应用潜力而受到广泛关注。

该研究与美国麻省大学、中国科技大学合作完成, 首页nbsp;nbsp;ldquo;冯·诺伊曼架构瓶颈,分析和展望了未来类脑计算与人工神经网络研究所面临的机遇与挑战,此外,总结了各类器件的速度、功耗、线性度、对称性等关键性能与研究现状,清华大学微电子所钱鹤教授、高滨副教授。

近五年围绕忆阻器性能优化、阵列集成、模型模拟、架构设计、芯片研制等方面取得了一系列创新成果。

得到了国家自然科学基金委重点项目与面上项目、科技部重点研发计划等项目的支持,微电子所吴华强教授是共同通讯作者,。

医学院及脑与智能实验室宋森研究员等为论文的共同作者, 文章链接: https://onlinelibrary.wiley.com/doi/10.1002/adma.201902761 供稿:微电子学研究所 , 生物神经网络(大脑)与人工神经网络(芯片)的联系与比较 基于忆阻器等新型存储器阵列的人工神经网络的硬件实现与算法也是近几年类脑计算领域的研究热点。

该文章从工作机理和网络结构等层面深入比较了生物神经网络与人工神经网络,近年来。

该文章还详细评述了忆阻器、相变存储器、电化学存储器、铁电晶体管等八种常见的类脑计算器件的结构与仿生功能,相继在《自然-通讯》(Nature Communications)、《自然-电子》(Nature Electronics)、《先进材料》(Advanced Materials)、《电子器件快报》(IEEE EDL)和国际电子器件会议(IEDM)、超大规模集成电路国际研讨会(VLSI)、国际固态半导体电路大会(ISSCC)等顶级期刊和国际会议上发表多篇高水平论文,细致探讨了突触可塑性(synaptic plasticity)、本征可塑性(intrinsic plasticity)等各类神经可塑性,文章详细评述了监督学习、无监督学习、强化学习、小样本学习(one-shot/few-shot learning)、储备池计算(reservoir computing)等方法以及利用新型存储器来实现的优势,文章最后指出了人工神经网络在复杂度、多样性等方面与生物神经网络的差距, 清华大学微电子所唐建石助理教授、微电子所博士后袁方博士、医学院2017级博士生沈新科是论文的共同第一作者, 基于新型存储器的各类神经网络的硬件实现与算法 钱鹤、吴华强教授团队致力于新型存储器与类脑计算研究,包括广泛应用于人工神经网络训练的赫布学习(Hebbian learning)与脉冲时间相关的可塑性(spike-timing-dependent plasticity)等模型,深入阐述了生物神经系统里经典的学习规则和记忆理论,详细分析了突触与神经元及其上的离子通道的结构和功能。

免责声明

凡本网注明"来源:期货配资_股票融资_云配资_唐山股票配资- -牛盈宝配资平台的所有作品,版权均属于期货配资_股票融资_云配资_唐山股票配资- -牛盈宝配资平台,转载请必须注明期货配资_股票融资_云配资_唐山股票配资- -牛盈宝配资平台,http://www.hbjinguony.com。违反者本网将追究相关法律责任。