.png){kind=icon}
返回
Leveraging dendritic complexity for neuromorphic computing
.png){kind=icon}
OA
AI
DOI：10.1088/2634-4386/add206.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超越冯·诺依曼的计算方法对于维持微电子学的发展以及满足日益增长的人工智能/机器学习算法需求是必要的。神经形态计算是一种新兴范式，它从大脑中汲取灵感，为提高下一代计算架构的计算效率和计算密度提供了前进的道路。在自然界中，我们观察到大脑以比传统计算方法小得多的能耗来完成复杂的计算。当前的神经形态系统主要关注可扩展性，即增加计算单元（神经元）的数量以及单元之间的连接（突触）。然而，为了实现脑类认知和下一代计算硬件的效率，我们需要提高功能的复杂性，以及改进连接密度以实现可扩展性。在这里，我们介绍了我们的工作，旨在将树突整合到神经形态架构中以实现“线内计算”，从而增加人工神经网络（ANN）的计算复杂性（例如可编程参数的数量、非线性动力学）以及计算效率（能耗/计算）。我们通过展示可用于各种应用的神经形态树突元件来实现这一点。我们将介绍受神经科学启发的方向选择性电路示例以及一个利用旁路抑制的具有活性树突的ANN。我们还演示了在深度神经网络中使用树突的好处。最后，我们讨论如何利用新兴硬件设备在这些系统中使用，并设计具有树突的下一代神经形态架构。
Keyword:
neuromorphic computing
dendrites
dendritic computation
analog dendrites
codesign
bio-inspired circuits
neuroscience-inspired circuits
期刊
IF:
6.1
论文数:
340
被引数:
920
机构
引用论文
.png){kind=icon}
Shunting Inhibition as a Neural-Inspired Mechanism for Multiplication in Neuromorphic ArchitecturesShunting Inhibition作为神经形态架构中乘法运算的神经启发机制
PREAI
分享收藏Simulation Tool for Asynchronous Cortical Streams (STACS): Interfacing with Spiking Neural Networks异步皮层流模拟工具(STACS)：与脉冲神经网络接口
OAAI
OAAI分享收藏Hardware Implementation of Deep Network Accelerators Towards Healthcare and Biomedical ApplicationsOAAI
OAAI分享收藏
查看更多内容