推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

存储芯片的神经形态计算与脉冲神经网络加速.docx

更新时间:2026-08-19 09:07:56 大小:37K 上传用户:烟雨查看TA发布的资源 标签:神经形态计算脉冲神经网络忆阻器ReRAMSNN加速 下载积分:2分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

存储芯片的神经形态计算与脉冲神经网络加速

1 引言

神经形态计算通过模拟生物神经系统的结构和信息处理方式,在能耗和实时性方面具有显著优势。脉冲神经网络(SNN)作为第三代神经网络,使用脉冲时序编码信息,在事件驱动的低功耗计算中展现出独特优势。存储芯片在神经形态计算中扮演核心角色——忆阻器、ReRAMMRAM等新型存储器件可模拟生物突触的可塑性,实现权重存储和在线学习。本章系统分析神经形态计算中的存储技术需求和SNN加速方案。

2 生物神经网络与脉冲神经网络

2.1 生物神经网络

生物神经网络由约860亿个神经元和数万亿个突触组成。神经元通过脉冲(Spike)传递信息,突触的权重(连接强度)可通过学习调节。

2.2 脉冲神经网络

SNN使用脉冲时序编码信息,神经元仅在膜电位超过阈值时发射脉冲。SNN的能耗远低于传统ANN,因为事件驱动的计算模式避免了无效计算。

3 神经形态存储器件

3.1 忆阻器突触

忆阻器(ReRAM)的电导可连续调节,模拟生物突触的权重更新。在Crossbar阵列中,通过基尔霍夫电流定律实现脉冲时序依赖可塑性(STDP),支持在线学习。


部分文件列表

文件名 大小
存储芯片的神经形态计算与脉冲神经网络加速.docx 37K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载