机构名称：
¥ 3.0
从历史上看，记忆技术已根据其存储密度，成本和潜伏期进行了评估。除了这些指标之外，在低区域和能源成本中启用更智能和智能的计算平台的需求带来了有趣的途径，以利用非挥发性记忆（NVM）技术。在本文中，我们专注于非易失性记忆技术及其在生物启发的神经形态计算中的应用，从而实现了基于尖峰的机器智能。与先进的连续价值神经网络相比，基于离散的神经元“动作电位”的尖峰神经网络（SNN）不仅是生物纤维，而且是实现能量的有吸引力的候选者。nvms提供了实施几乎所有层次结构（包括设备，电路，体系结构和算法）几乎所有层次结构的区域和能量snn计算面料的承诺。可以利用NVM的内在装置物理学来模拟单个神经元和突触的动态。这些设备可以连接在密集的横杆状电路中，从而实现了神经网络所需的内存，高度平行的点产生计算。在架构上，可以以分布式的方式连接此类横梁，从而引入其他系统级并行性，这是与传统的Von-Neumann架构的根本性。最后，可以利用基于NVM的基础硬件和学习算法的跨层优化，以在学习和减轻硬件Inaccu-Racies方面的韧性。手稿首先引入神经形态计算要求和非易失性记忆技术。随后，我们不仅提供了关键作品的审查，而且还仔细仔细审查了从设备到电流到架构的不同抽象级别的各种NVM技术的挑战和机遇，以及硬件和算法的共同设计。
通过非...
主要关键词
相关文件推荐
