Aparatinės ir programinės įrangos bendras atsitiktinės varžinės atminties ESGNN projektavimas grafikų mokymuisi. a, Vieno varžinio atminties elemento, kuris veikia kaip atsitiktinis rezistorius po dielektrinio gedimo, skerspjūvio perdavimo elektronų mikrografija. Mastelio juosta 20 nm. b, varžinės atminties skersinio masyvo skerspjūvio perdavimo elektronų mikrografija, pagaminta naudojant 40 nm technologijos mazgo juostos išvestį naudojant užpakalinės linijos procesą. Mastelio juosta 500 nm. c, Scheminė atsitiktinės varžinės atminties skersinio masyvo skaidinio iliustracija, kur mėlyna spalva pažymėti langeliai yra rekursinės matricos svoriai (pranešimai perduodami išilgai kraštų), o raudoni yra įvesties matricos svoriai (transformuojančios mazgo įvesties ypatybes). ). d, atitinkamas dviejų atsitiktinių rezistorių matricų laidumo žemėlapis c. e, atsitiktinės varžinės atminties matricų laidumo pasiskirstymas. f, siūlomo ESGNN mazgo įterpimo procedūra. Kiekvieno mazgo vidinė būsena kitame laiko žingsnyje yra bendrai nulemta gretimų indėlių sumos (mėlynos rodyklės rodo mazgo vidinių būsenų vektorių ir rekursinės matricos dauginimą d), mazgo įvesties ypatybę po atsitiktinės projekcijos ( raudonos rodyklės rodo dauginimą tarp įvesties mazgo savybių vektorių su įvesties matrica d) ir mazgo vidinės būsenos ankstesniame laiko žingsnyje. g, grafiko įterpimas, pagrįstas mazgų įdėjimu. Grafiko įterpimo vektorius g yra visų mazgo vidinių būsenų vektorių suma paskutiniame laiko žingsnyje. Kreditas: Gamtos mašinos intelektas (2023). DOI: 10.1038/s42256-023-00609-5 Grafiniai neuroniniai tinklai buvo plačiai naudojami tiriant socialinius tinklus, elektroninę prekybą, vaistų prognozes, žmogaus ir kompiuterio sąveiką ir kt.
Naujame tyrime, paskelbtame m Gamtos mašinos intelektas Kaip viršelio istoriją, Kinijos mokslų akademijos Mikroelektronikos instituto (IMECAS) ir Honkongo universiteto mokslininkai pagreitino grafikų mokymąsi naudojant atsitiktinę varžinę atmintį (RRM), o tai 40,37 karto pagerino energijos vartojimo efektyvumą, palyginti su grafikos apdorojimo įrenginiu reprezentatyvaus grafo mokymosi užduotys.
Išsamus mokymasis su grafikais tradiciniuose von Neumann kompiuteriuose sukelia dažną duomenų perkėlimą, neišvengiamai ilgas apdorojimo laikas ir didelis energijos suvartojimas. Atmintyje esantis skaičiavimas su varžine atmintimi gali būti naujas sprendimas.
Tyrėjai pristatė naują techninės ir programinės įrangos bendrą dizainą, RRM pagrįstą aido būsenos grafiko neuroninį tinklą, kad galėtų išspręsti šiuos iššūkius.
RRM ne tik panaudoja nebrangius, nanomastelinius ir sujungiamus rezistorius labai efektyviam skaičiavimui atmintyje, bet ir išnaudoja vidinį dielektrinio suskirstymo stochastiškumą, kad būtų įgyvendintos atsitiktinės aido būsenos tinklo aparatinės įrangos projekcijos, kurios efektyviai sumažina mokymo išlaidas.
Darbas svarbus kuriant naujos kartos AI aparatinės įrangos sistemas.
Daugiau informacijos: Shaocong Wang ir kt., Echo būsenos grafo neuroniniai tinklai su analoginėmis atsitiktinės varžinės atminties matricomis, Gamtos mašinos intelektas (2023). DOI: 10.1038/s42256-023-00609-5
Citata: Aido būsenos grafiko neuroniniai tinklai su analoginėmis atsitiktinės varžinės atminties matricomis (2023 m., kovo 1 d.), gauti 2023 m. kovo 1 d. iš https://techxplore.com/news/2023-03-echo-state-graph-neural-networks.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
