ترجمه برق -17صفحه
Bio-Inspired Stochastic Computing Using Binary CBRAM Synapses
سال 2013
محاسبات تصادفی زیستی الهام گرفته شده با استفاده از سیناپس های دوگانه سی بی ار ای ام
https://doi.org/10.1109/TED.2013.2263000
Manan Suri
CEA-LETI, Grenoble, France,Manan Suri (S'12) is currently pursuing the Ph.D. degree with the Advanced Memory Technology Laboratory, CEA-LETI, Grenoble, France.He works on emerging NV memory technology and neuromorphic computing.
Damien Querlioz
CNRS, IEF, Univ. Paris-Sud, Orsay, France,Damien Querlioz (S'06–M'08) received the Ph.D. degree from Université Paris-Sud, Orsay, France, in 2008.
He is a CNRS Research Scientist with Universitťe Paris-Sud.
Olivier Bichler
LIST, CEA, Gif-sur-Yvette Cedex, France,Olivier Bichler received the Ph.D. degree from Université Paris-Sud, Orsay, France, in 2012.
He is currently a Research Engineer with CEA LIST, Grenoble, France.
دانلود رایگان مقاله انگلیسی -CBRAM
خلاصه
در این مقاله رویکرد جایگزینی را برای سیستم های نورومورفیک ارائه می دهیم که بر اساس سیناپس های حافظه مقاومتی چند سطحی و قوانین یادگیری قطعی می باشد. برای استفاده از ابزارهای پل رسانای ار ای ام(سی بی ار ای ام)، که برنامه ریزی اسان و قدرت اندکی دارند، به عنوان سیناپس های دوگانه با قوانین یادگیری تصادفی،یک روش اصلی ارائه می دهیم. معماری مدار جدید،استراتژی برنامه ریزی و قانون یادگیری شکل پذیری وابسته زمان بندی میله ای احتمالی(اس تس دی پی) برای دو شکل متفاوت سی بی ار ای ام با انتخاب گر(1T-1R) و بدون انتخاب گر (1R) پیشنهاد شده است. برای کاربرد قوانین اس تی دی پی احتمالی، دو روش را نشان می دهیم( درونی و بیرونی). اموزش بدون نظارت کامل با سیناپس های دوگانه با استفاده از دو مثال نشان داده شده اند: 1.استخراج الگوی شنوایی زمان واقعی(الهام گرفته شده از کانال 64 شبیه ساز حلزون سیلیکونی) و 2.استخراج الگوی بصری(الهام گرفته شده از ارزیابی داخل کورتکس بینایی). صحت بالا(حساسیت الگوی شنوایی بیشتر از 2،میزان شناسایی ویدئویی بیشتر از 95%) و اتلاف اندک انرژی سیناپسی( شنوایی 0.55 میکرو وات،ویدئو 74.2 میکرو وات) نشان داده شده است. استحکام و تاثیر سیناپسی تنوع پارامتر بر عملکرد سیستم نیز مورد تجزیه و تحلیل قرار گرفته است.
کلمات کلیدی: یادگیری شنوایی،سیناپس سی بی ار ای ام، شکل گیری وابسته زمان بندی میله ای(اس تی دی پی)،سیستم نورومورفیک تصادفی،استخراج الگوی بصری.
Abstract
In this paper, we present an alternative approach to neuromorphic systems based on multilevel resistive memory synapses and deterministic learning rules. We demonstrate an original methodology to use conductive-bridge RAM (CBRAM) devices as, easy to program and low-power, binary synapses with stochastic learning rules. New circuit architecture, programming strategy, and probabilistic spike-timing dependent plasticity (STDP) learning rule for two different CBRAM configurations with-selector (1T-1R) and without-selector (1R) are proposed. We show two methods (intrinsic and extrinsic) for implementing probabilistic STDP rules. Fully unsupervised learning with binary synapses is illustrated through two example applications: 1) real-time auditory pattern extraction (inspired from a 64-channel silicon cochlea emulator); and 2) visual pattern extraction (inspired from the processing inside visual cortex). High accuracy (audio pattern sensitivity > 2, video detection rate > 95%) and low synaptic-power dissipation (audio 0.55 μW, video 74.2 μW) are shown. The robustness and impact of synaptic parameter variability on system performance are also analyzed.
