.png){kind=icon}
返回
Split-Gate Memtransistors for Energy-Efficient Adaptive Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1021/acsnano.6c04411.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实时片上学习在从自动驾驶汽车到机器人等动态环境中变得越来越重要，因为静态预训练模型在这些场景中表现不足。为此，模拟存内计算硬件已被探索以缓解能耗和延迟瓶颈，但其有限的配置能力阻碍了强化学习在部署的人工智能代理中的实现。本文演示了分裂栅MoS2忆阻晶体管，其中肖特基接触的局部场效应门控和半导体通道使忆阻切换比和电导状态的分别控制得到改善。这些特性通过非易失性突触权重更新与快速参数调整的结合，实现了高效的强化学习实施。自适应强化学习性能通过平衡小车任务进行基准测试，该任务作为具身决策和行动的机器人基础示例，最终实现了总奖励提高6倍以及编程步骤数量减少5倍。
Keyword:
neuromorphic computing
in-memory computing
edge computing
2D materials
MoS2
robotics
autonomous systems
期刊
IF:
16
论文数:
2.6W
被引数:
25.6W
机构
查看更多机构
引用论文
暂无论文信息