Gesichtsklassifikation mit elektronischen Synapsen

Konventionelle Hardware-Plattformen verbrauchen enorme Mengen an Energie für kognitives Lernen aufgrund der Datenbewegung zwischen dem Prozessor und dem externen Speicher. Hirn-inspirierte Gerätetechnologien, die analoge Gewichtsspeicherung verwenden, ermöglichen es, kognitive Aufgaben effizienter zu lösen. Hier präsentieren wir einen analogen nichtflüchtigen Widerstandsspeicher (eine elektronische Synapse) mit für die Fertigung geeigneten Materialien. Das Gerät zeigt ein bidirektionales kontinuierliches Gewichtmodulationsverhalten. Die Graustufen-Gesichtsklassifikation wird experimentell unter Verwendung eines integrierten 1024-Zellen-Arrays mit parallelem Online-Training demonstriert. Der Energieverbrauch innerhalb der analogen Synapsen für jede Iteration ist 1.000 × (20 ×) geringer im Vergleich zu einer Implementierung mit einem Intel Xeon Phi Prozessor mit externem Speicher (mit hypothetischem digitalen Widerstands-RAM auf dem Chip). Die Genauigkeit in Test-Sets steht nahe dem Ergebnis, das mit einer zentralen Verarbeitungseinheit erzielt wurde. Diese experimentellen Ergebnisse festigen die Machbarkeit des analogen synaptischen Arrays und ebnen den Weg zu einem energieeffizienten und großflächigen neuromorphen System.