...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International journal of circuit theory and applications >Defect-tolerant nanoelectronic pattern classifiers
【24h】

Defect-tolerant nanoelectronic pattern classifiers

机译：耐缺陷的纳米电子图案分类器

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Mixed-signal neuromorphic networks ('CrossNets'), based on hybrid CMOSanodevice circuits, may provide unprecedented performance for important pattern classification tasks. The synaptic weights necessary for such tasks may be imported from an external 'precursor' network with either continuous or discrete synaptic weights (in the former case, with the quantization—'clipping'—due to the binary character of the elementary synaptic nanodevices—latching switches.) Alternatively, the weights may be adjusted 'in situ' (inside the CrossNet) using a pseudo-stochastic method, or set-up using a mixed-mode method partly employing external circuitry. Our calculations have shown that CrossNet pattern classifiers, using any of these synaptic weight adjustment methods, may be remarkably resilient. For example, in a CrossNet with synapses in the form of two small square arrays with 4 x 4 nanodevices each, the resulting weight discreteness may have a virtually negligible effect on the classification fidelity, while the fraction of defective devices which affects the performance substantially ranges from ～20% to as high as 90% (!), depending on the training method.
机译：基于混合CMOS /纳米器件电路的混合信号神经形态网络（CrossNets），可以为重要的模式分类任务提供前所未有的性能。此类任务所需的突触权重可以从具有连续或离散突触权重的外部“前体”网络中导入（在前一种情况下，由于基本的突触纳米器件的二进制特性，使用量化（“削波”）“锁存”）可选地，可以使用伪随机方法“在原地”（在CrossNet中）调整权重，或者使用部分采用外部电路的混合模式方法来设置权重。我们的计算表明，使用任何这些突触权重调整方法的CrossNet模式分类器可能具有显着的弹性。例如，在具有两个小正方形阵列形式的突触的CrossNet中，每个小正方形阵列分别具有4个x 4个纳米器件，所产生的重量离散度对分类保真度的影响几乎可以忽略不计，而有缺陷的器件对性能的影响却在相当大的范围内从〜20％到高达90％（！），取决于训练方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号