memristor
PulseAugur coverage of memristor — every cluster mentioning memristor across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架提升神经形态计算的可迁移性
研究人员开发了一种新颖的无模型时间开关（TS）框架，旨在增强轻量级神经形态计算系统的可迁移性。该框架旨在克服设备到设备的差异性挑战，这些差异性通常需要大量的重新训练。通过在训练期间纳入更广泛的设备，TS框架能够在没有训练后校准的情况下直接将性能迁移到未见的硬件上。该方法在Mackey--Glass基准测试中展示了提高的预测精度，并在语音数字分类中达到了92.4%的准确率，预示着在资源受限环境中实现高效人工智能的潜力。
-
忆阻器模拟计算提升语音识别准确性
研究人员开发了一种方法，以减少基于忆阻器的模拟计算在自动语音识别中的性能衰减。通过调整特定忆阻器层中模数转换器（ADC）的权重和精度比特，他们实现了约50%的执行性能衰减相对降低，同时保持了稳定的能耗。在无法修改ADC的情况下，移除与编码相关的线性变换可将性能衰减降低约30%。
-
忆阻器SNN加速器大幅降低边缘AI能耗
研究人员开发了一种新颖的基于忆阻器的加速器，旨在提高脉冲神经网络（SNN）的能效。这种模拟加速器将内存计算与神经元功能集成在一起，旨在克服传统GPU和CPU平台在SNN方面的局限性。在仿生拦截任务上的评估表明，与数字基线相比，该模拟加速器实现了显著更低的能耗和延迟，展示了其在实时边缘智能应用中的潜力。
-
基于忆阻器的AI系统在高效学习和神经形态计算方面展现出潜力
研究人员正在探索自组织忆阻网络（SOMNs）作为人工智能的传统硬件的物理替代方案，旨在实现节能、类脑的持续学习。这些网络利用纳米级电阻式存储器元件的独特动力学来执行计算。最近的工作表明，它们在图像分类方面具有高精度和对器件变化的鲁棒性，并在时间序列分类方面表现出色，优于传统的基于梯度的模型，同时大大缩短了训练时间。