在一个数据日益丰富的世界里，开发不仅能处理大数据，而且在理想情况下还能解释大数据的计算系统的需求正变得越来越迫切。大脑启发的概念在解决这一需求方面显示出了巨大的希望。在这里，我们展示了一种利用金属氧化 ...
|
摘要 在一个数据日益丰富的世界里，开发不仅能处理大数据，而且在理想情况下还能解释大数据的计算系统的需求正变得越来越迫切。大脑启发的概念在解决这一需求方面显示出了巨大的希望。在这里，我们展示了一种利用金属氧化物记忆器件作为多状态突触的概率神经网络的无监督学习。这种方法可以用于处理未标记的数据，并且可以通过支持可逆无监督学习能力来适应作为输入数据基础的时变簇，首先证明了单个固态记忆电阻器可以在实验WTA网络环境中模拟复杂的、重量相关的可塑性，包括无监督分类、遗忘和再学习的时间。这为大型非结构化数据在节点上的实时处理铺平了道路。这项工作的潜力通过在有损坏的输入数据和概率神经元的情况下成功学习的演示来展示，从而为健壮的大数据处理器铺平道路。 In an increasingly data-rich world the need for developing computing systems that cannot only process, but ideally also interpret big data is becoming continuously more pressing. Brain-inspired concepts have shown great promise towards addressing this need. Here we demonstrate unsupervised learning in a probabilistic neural network that utilizes metal-oxide memristive devices as multi-state synapses. Our approach can be exploited for processing unlabelled data and can adapt to time-varying clusters that underlie incoming data by supporting the capability of reversible unsupervised learning. The potential of this work is showcased through the demonstration of successful learning in the presence of corrupted input data and probabilistic neurons, thus paving the way towards robust big-data processors.
图1 忆阻器中权重相关的STDP行为
图2 WTA网络中的软件/忆阻器学习 |
让创业更简单