.png){kind=icon}
返回
Nano-ionic Solid Electrolyte FET-Based Reservoir Computing for Efficient Temporal Data Classification and Forecasting
.png){kind=icon}
OA
AI
DOI：10.1021/acsami.5c00092.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物理动态存储库非常适合边缘系统，因为它们可以通过利用设备的短期内存进行内存内计算，高效处理时序输入，同时训练成本较低。然而，基于双端忆阻器的存储库的短期内存限制了时序输入的持续时间，导致分类时每个样本需要更多的存储库输出。此外，预测需要多个设备（20-25个）来预测单个时间步，长期预测还需要将预测数据重新引入作为新输入，增加了系统复杂度和成本。在此，我们报告了一种基于三端纳米离子固态电解质FET（SE-FET）的高效存储计算系统，其漏极电流可通过栅极和漏极电压调节以延长短期内存，从而增加时序输入的持续时间和长度。此外，使用独立的控制端进行读写操作简化了设计，与双端器件相比提高了存储库效率。采用这种方法，我们演示了更长的掩码长度或位序列，在分类手写数字时达到95.41%的准确率。此外，该准确率是通过使用每个图像样本51%更少的存储库输出实现的，这显著降低了硬件和训练成本，而无需牺牲分类准确率。我们还通过使用由四个设备组成的SE-FET基存储库生成的50个先前数据步来预测接下来的50个时间步，展示了长期预测，且无需任何反馈回路。这种方法在混沌时间序列预测任务中实现了0.06的低均方根误差，比标准线性回归机器学习算法高出53%。
Keyword:
physical reservoir computing
solid electrolyte FET
temporal data
classification
forecasting
edge systems
期刊
IF:
8.2
论文数:
6.1W
被引数:
38.7W
机构
引用论文
Time-varying data processing with nonvolatile memristor-based temporal kernel基于非易失性忆阻器的时间核时变数据处理.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Reservoir computing using dynamic memristors for temporal information processing使用动态忆阻器进行时间信息处理的储层计算NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏A Solid Electrolyte ZnO Thin Film Transistor for classification of spoken digits using Reservoir Computing一种用于基于存储器计算的人声数字分类的固态电解质ZnO薄膜晶体管OAAI
OAAI分享收藏
查看更多内容