Перспектива: огляд пам’ятного обладнання для нейроморфних обчислень

Теми
- Колекції
  - Перспективи
- Теми
  - Сегнетоелектричні матеріали
  - Нейронна модель
  - Штучні нейронні мережі
  - Мемрістор
  - Машинне навчання
  - Нейронні синапси
  - Резистивне перемикання

АНОТАЦІЯ

Однією з основних функцій прискорювачів є множення матриць. Основною обчислювальною частиною в TPU Google є одиниця множення матриці. 12 12. Н. П. Джоупі та ін., “Аналіз продуктивності в центрі обробки даних тензорного блоку обробки”, у Матеріалах 44-го Міжнародного симпозіуму з архітектури комп’ютерів (ISCA), Торонто, 24–28 червня 2017 р. Мемрістори підходять для вузла множення матриць через їх багаторівневий опір. Однак мемрістори повинні бути придатними для контрольованого навчання/навчання на мікросхемі, щоб переважати над нейронною мережею на основі CMOS.

Дослідження пам’ятної пам’яті (зберігання) було розширено до синаптичних ваг.

Частка матеріалів та приладів велика в нейроморфному патентному портфелі.

Нейронний процесор (або чіп AI) стає спеціалізованим або виділеним FPGA або ASIC.

Зі збільшенням обсягу даних алгоритми глибокого навчання є ефективними, а глибока нейронна мережа (DNN) застосовується навіть до мобільних служб.