Memristive Reservoirs Learn to Learn

要約

メムリスティブ リザーバーは、ナノワイヤー ネットワークとして知られる新しい種類のニューロモーフィック ハードウェアからインスピレーションを得ています。
これらのシステムは、創発的な脳のようなダイナミクスを示し、動的相転移時に最適なパフォーマンスが実証されます。
これらのネットワークでは、ランダム アクセス メモリを介してニューロモーフィック ハードウェアによって提供されるグローバルな制御性とは対照的に、システム ダイナミクスを調整するために利用できる電極の数は限られています。
私たちは、学習から学習のフレームワークが最適化のコンテキストでこの課題に効果的に対処できることを実証します。
このフレームワークを使用して、リザーバーの最適なハイパーパラメーターを特定することに成功しました。
この発見は、メムリスティブリザーバーの最適なパフォーマンスが伝導経路の「形成の端」で起こることを示唆する以前の研究と一致しています。
さらに、我々の結果は、これらのシステムがスパイクニューロンで観察される膜電位挙動を模倣することができ、スパイクベースのプロセスと連続プロセスの間のインターフェースとして機能する可能性があることを示しています。

要約(オリジナル)

Memristive reservoirs draw inspiration from a novel class of neuromorphic hardware known as nanowire networks. These systems display emergent brain-like dynamics, with optimal performance demonstrated at dynamical phase transitions. In these networks, a limited number of electrodes are available to modulate system dynamics, in contrast to the global controllability offered by neuromorphic hardware through random access memories. We demonstrate that the learn-to-learn framework can effectively address this challenge in the context of optimization. Using the framework, we successfully identify the optimal hyperparameters for the reservoir. This finding aligns with previous research, which suggests that the optimal performance of a memristive reservoir occurs at the `edge of formation’ of a conductive pathway. Furthermore, our results show that these systems can mimic membrane potential behavior observed in spiking neurons, and may serve as an interface between spike-based and continuous processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google