分層時(shí)態(tài)記憶的神經(jīng)網(wǎng)絡(luò)形態(tài)結(jié)構(gòu)是怎樣的

在人工智能時(shí)代，仿生機(jī)器智能算法，其在創(chuàng)建時(shí)空輸入流的不變表示方面具有前景，是分層時(shí)間存儲(chǔ)器（HTM）。這種無監(jiān)督的在線算法已經(jīng)在幾個(gè)機(jī)器學(xué)習(xí)任務(wù)中得到證明，包括異常檢測。在將HTM算法形式化并應(yīng)用于不同類別的問題方面已經(jīng)做出了重大努力。HTM硬件架構(gòu)的早期探索很少，特別是對于早期版本的HTM算法的空間池。

在本文中，我們提出了一個(gè)用于空間池和時(shí)間內(nèi)存的全尺寸HTM架構(gòu)。提出合成突觸設(shè)計(jì)以解決在學(xué)習(xí)期間發(fā)生的潛在和動(dòng)態(tài)互連。該體系結(jié)構(gòu)與并行單元和列交織，可實(shí)現(xiàn)HTM的高處理速度。

空間集中器架構(gòu)在XilinxZYNQ-7上合成，MNIST的分類精度為91.16％，EUNF的精度為90％，具有噪聲。對于時(shí)間記憶序列預(yù)測，對于從EUNF數(shù)據(jù)集生成的5個(gè)數(shù)字長序列觀察一階和二階預(yù)測，并且獲得95％的準(zhǔn)確度。

此外，所提出的硬件架構(gòu)提供了比軟件實(shí)現(xiàn)快1364倍的速度。這些結(jié)果表明，所提出的架構(gòu)可以作為數(shù)字核心，在硬件中構(gòu)建HTM，最終作為獨(dú)立的自學(xué)系統(tǒng)。針對兩個(gè)不同的數(shù)據(jù)集驗(yàn)證了所提出的架構(gòu)：MNIST和車牌字體（EUNF），存在和不存在噪聲。