北大团队重构深储备池计算硬件，获得更大的记忆容量

储存量水近似值（Reservoir Computing）是一种较差特训蒙受、较差硬件开销的反应器神经网络（RNN），在当前网络系统特别具广泛的广泛应用，例如振幅归类、语音识别、间隔时间序列得出等。储存量水近似值种系统由皮质反应器连接的储存量水和输入层两部分都是由，其之中仅有输入层需要特训，从而相当大降较差了特训蒙受，而种系统之中的储存量水可以由具短时抱一特性的非线性电子器件来实现。

当前国内针对储存量水近似值种系统的研究工作主要集之中在追寻使用相同类型的非线性电子器件（如忆阻器、氢原子扭矩振荡器、纳米线网络、太阳能电池光学仪器电子器件等）来借助于单层储存量水，但储存量水状态数、梦境容量大、复杂动力学特性等的局限从根本上制约了种系统本身网络系统能力的提升。

针对这一关键疑虑，北京大学集成电路学院黄如院士-杨玉超博士课题组首次采用可激活短时抱一非线性短剧借助于了厚度储存量水（deep reservoir）近似值硬件，他们研制了可激活的单层储存量水硬件，通过将动态忆阻二极体与平面电子器件进行串联分压，实现了电压输入、电压输入的短时抱一非线性短剧。

由于输入和输入为相同的物理量，解决了一般来说但会电压输入、电流输入电子器件难以直接激活的疑虑，为借助于厚度储存量水近似值硬件奠定了电子器件基础。基于该类短时抱一非线性短剧，他们进一步制备了厚度储存量水硬件种系统，并建构分时复用的虚拟节点方法，获得了丰富的储存量水状态。

科学研究研究工作结果表明，相比同等规模的单层储存量水近似值种系统，该工作所借助于的厚度储存量水近似值硬件具更大的梦境容量大、更丰富的储存量水状态数、层次化的网络系统能力，并在振幅归类、电能浪费得出等任务之中展示了不俗的稳定性，证明了厚度储存量水近似值种系统在当前网络系统任务之中的前瞻性。

该研究工作论文题为'Multilayer Reservoir Computing Based on Ferroelectric α-In2Se3 for Hierarchical Information Processing'，已发表在《高效率造》期刊上。

蓝图经济学人APP资讯组

本文来源蓝图网，登载请标明来源。本文内容仅有代表作者个人观点，本站只提供参考并不构成任何海外投资及广泛应用劝告。（若存在内容、版权或其它疑虑，请联系）