中國團隊在憶阻器基神經形態計算方面取得進展

自組織映射網絡(SOM)，又稱“Kohone網絡”，是一種受大腦拓撲結構啟發的功能強大的無監督學習神經網絡。相比經典的多維尺度或主成分分析等線性算法，SOM具有更強大的數據聚類能力，在語言識別、文本挖掘、財務預測和醫學診斷等聚類和優化問題方面展現出獨特的優勢。然而，基于傳統CMOS硬件實現SOM受到計算相似性和確定鄰域的復雜性的限制，且存在電路結構復雜、能量面積開銷大、缺乏對相似度的精確計算等問題。如何構建簡潔、高效、精確的SOM硬件頗具挑戰性。憶阻器作為一種新型可編程非易失存儲器件，其交叉陣列結構具有支持并行計算和存內計算的天然優勢，為SOM的硬件實現提供了新途徑。

近日，中國科學院院士、中科院微電子研究所研究員劉明團隊和復旦大學教授劉琦團隊合作，利用憶阻器陣列構建SOM網絡中的權值矩陣，首次實現了高效的SOM硬件系統。為解決SOM中神經元和輸入特征數量增加時硬件系統復雜度加劇的問題，科研團隊提出了一種新型的多附加行憶阻器陣列架構，該架構將憶阻器陣列分為兩個部分，一部分作為數據行存儲權值信息，另一部分作為附加行存儲權值的平方和。輸入向量和權值向量之間的相似性可以通過一步讀操作實現，且不需要歸一化權值?；谠撚布到y，研究團隊成功演示了數據聚類、圖像分割、圖像壓縮等應用并用于解決組合優化問題。實驗結果表明，在不影響成功率或準確度的基礎上，與CMOS系統相比，該系統具有更高的能源效率和計算吞吐量。此外，由于其非監督的特點，應用場景更加豐富，更加迎合現實生活的需求，為憶阻器基智能硬件的構建開辟了新途徑。

相關研究成果以Implementing in-situ Self-organizing Maps with Memristor Crossbar Arrays for Data Mining and Optimization為題，在線發表在《自然-通訊》(Nature Communications)上。研究工作得到國家重點研發計劃、國家自然科學基金、國家重大科技專項、浙江省重點科研項目等的支持。

版權聲明：除特殊說明外，本站所有文章均為 字節點擊 原創內容，采用 BY-NC-SA 知識共享協議。原文鏈接：https://byteclicks.com/38371.html 轉載時請以鏈接形式標明本文地址。轉載本站內容不得用于任何商業目的。本站轉載內容版權歸原作者所有，文章內容僅代表作者獨立觀點，不代表字節點擊立場。報道中出現的商標、圖像版權及專利和其他版權所有的信息屬于其合法持有人，只供傳遞信息之用，非商務用途。如有侵權，請聯系 gavin@byteclicks.com。我們將協調給予處理。贊(1)

關鍵詞： 硬件系統 優化問題 能源效率