当前位置: X-MOL 学术arXiv.cs.ET › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Reservoir Computing with Thin-film Ferromagnetic Devices
arXiv - CS - Emerging Technologies Pub Date : 2021-01-29 , DOI: arxiv-2101.12700
Matthew Dale, Richard F. L. Evans, Sarah Jenkins, Simon O'Keefe, Angelika Sebald, Susan Stepney, Fernando Torre, Martin Trefzer

Advances in artificial intelligence are driven by technologies inspired by the brain, but these technologies are orders of magnitude less powerful and energy efficient than biological systems. Inspired by the nonlinear dynamics of neural networks, new unconventional computing hardware has emerged with the potential for extreme parallelism and ultra-low power consumption. Physical reservoir computing demonstrates this with a variety of unconventional systems from optical-based to spintronic. Reservoir computers provide a nonlinear projection of the task input into a high-dimensional feature space by exploiting the system's internal dynamics. A trained readout layer then combines features to perform tasks, such as pattern recognition and time-series analysis. Despite progress, achieving state-of-the-art performance without external signal processing to the reservoir remains challenging. Here we show, through simulation, that magnetic materials in thin-film geometries can realise reservoir computers with greater than or similar accuracy to digital recurrent neural networks. Our results reveal that basic spin properties of magnetic films generate the required nonlinear dynamics and memory to solve machine learning tasks. Furthermore, we show that neuromorphic hardware can be reduced in size by removing the need for discrete neural components and external processing. The natural dynamics and nanoscale size of magnetic thin-films present a new path towards fast energy-efficient computing with the potential to innovate portable smart devices, self driving vehicles, and robotics.

中文翻译:

薄膜铁磁器件的储层计算

人工智能的进步是受大脑启发的技术推动的,但是这些技术的功能和能源效率比生物系统低几个数量级。受神经网络非线性动力学的启发,新的非常规计算硬件出现了,它具有极高的并行性和超低功耗的潜力。物理储层计算通过从光学到自旋电子学的各种非常规系统证明了这一点。储层计算机通过利用系统的内部动力学特性,将任务输入非线性投影到高维特征空间中。然后,经过训练的读出层将功能结合起来以执行任务,例如模式识别和时序分析。尽管取得了进步,在不对储层进行外部信号处理的情况下实现最先进的性能仍然具有挑战性。在这里,我们通过仿真显示,具有薄膜几何形状的磁性材料可以实现比数字递归神经网络更高或相似精度的储层计算机。我们的结果表明,磁性膜的基本自旋特性产生了解决机器学习任务所需的非线性动力学和记忆力。此外,我们表明,通过消除对离散神经组件和外部处理的需求,可以减少神经形态硬件的大小。磁性薄膜的自然动力学和纳米级尺寸为快速节能计算提供了一条新途径,并有望创新便携式智能设备,自动驾驶汽车和机器人技术。在这里,我们通过仿真显示,具有薄膜几何形状的磁性材料可以实现比数字递归神经网络更高或相似精度的储层计算机。我们的结果表明,磁性膜的基本自旋特性产生了解决机器学习任务所需的非线性动力学和记忆力。此外,我们表明,通过消除对离散神经组件和外部处理的需求,可以减少神经形态硬件的大小。磁性薄膜的自然动力学和纳米级尺寸为快速节能计算提供了一条新途径,并有望创新便携式智能设备,自动驾驶汽车和机器人技术。在这里,我们通过仿真显示,具有薄膜几何形状的磁性材料可以实现比数字递归神经网络更高或相似精度的储层计算机。我们的结果表明,磁性膜的基本自旋特性产生了解决机器学习任务所需的非线性动力学和记忆力。此外,我们表明,通过消除对离散神经组件和外部处理的需求,可以减少神经形态硬件的大小。磁性薄膜的自然动力学和纳米级尺寸为快速节能计算提供了一条新途径,并有望创新便携式智能设备,自动驾驶汽车和机器人技术。薄膜几何形状的磁性材料可以实现比数字递归神经网络更高或相似精度的储层计算机。我们的结果表明,磁性膜的基本自旋特性产生了解决机器学习任务所需的非线性动力学和记忆力。此外,我们表明,通过消除对离散神经组件和外部处理的需求,可以减少神经形态硬件的大小。磁性薄膜的自然动力学和纳米级尺寸为快速节能计算提供了一条新途径,并有望创新便携式智能设备,自动驾驶汽车和机器人技术。薄膜几何形状的磁性材料可以实现比数字递归神经网络更高或相似精度的储层计算机。我们的结果表明,磁性膜的基本自旋特性产生了解决机器学习任务所需的非线性动力学和记忆力。此外,我们表明,通过消除对离散神经组件和外部处理的需求,可以减少神经形态硬件的大小。磁性薄膜的自然动力学和纳米级尺寸为快速节能计算提供了一条新途径,并有望创新便携式智能设备,自动驾驶汽车和机器人技术。我们表明,通过消除对离散神经组件和外部处理的需求,可以减少神经形态硬件的大小。磁性薄膜的自然动力学和纳米级尺寸为快速节能计算提供了一条新途径,并有望创新便携式智能设备,自动驾驶汽车和机器人技术。我们表明,通过消除对离散神经组件和外部处理的需求,可以减少神经形态硬件的大小。磁性薄膜的自然动力学和纳米级尺寸为快速节能计算提供了一条新途径,并有望创新便携式智能设备,自动驾驶汽车和机器人技术。
更新日期:2021-02-01
down
wechat
bug