Αναγνώριση φωνηέντων με τέσσερις νανοταλαντωτές συζευγμένων ροπών στρέψης
Vowel recognition with four coupled spin-torque nano-oscillators
Λέξεις-κλειδιά
Νανο-ταλαντωτές περιστροφικής ροπής ; Ποσοστά αναγνώρισης φωνηέντων ; Συνδέσεις μαγνητικής σήραγγας (MTJ) ; Μάθηση φωνηέντωνΠερίληψη
Τα τεχνητά νευρικά δίκτυα αποτελούν τους κύριους αλγορίθμους τεχνητής νοημοσύνης. Στα τεχνητά νευρωνικά δίκτυα οι λειτουργίες ενεργοποίησης νευρώνων είναι στατικές και ο υπολογισμός τους επιτυγχάνεται μέσω κοινών αριθμητικών λειτουργιών. Παράλληλα ένας κλάδος υπολογιστών που εμπνέονται από νευροεπιδράσεις σχετίζει τη δυναμική φύση του εγκεφάλου και προτείνει να προσδώσει σε κάθε στοιχείο ενός νευρικού δικτύου μια δυναμική λειτουργικότητα, όπως είναι οι ταλαντώσεις, και να βασιστεί σε αναδυόμενα φυσικά φαινόμενα, όπως ο συγχρονισμός, για την επίλυση πολύπλοκων προβλημάτων σε μικρής κλίμακας δίκτυα. Αυτή η προσέγγιση παρουσιάζει ιδιαίτερο ενδιαφέρον για υλοποιήσεις υλικού, επειδή οι αναδυόμενες νανοηλεκτρονικές συσκευές μπορούν να παρέχουν συμπαγείς και ενεργειακά αποδοτικούς μη γραμμικούς αυτόματους ταλαντωτές που μιμούνται την περιοδική δραστική δραστηριότητα των βιολογικών νευρώνων. Οι δυναμικές συνδέσεις μεταξύ ταλαντωτών μπορούν στη συνέχεια να χρησιμοποιηθούν για τη μεσολάβηση της συναπτικής επικοινωνίας μεταξύ των τεχνητών νευρώνων. Μία πρόκληση για τη χρήση νανο-συσκευών με αυτόν τον τρόπο είναι να επιτευχθεί μάθηση μέσω συντονισμού των συζευγμένων ταλαντώσεών τους. Τα δυναμικά χαρακτηριστικά των νανο-συσκευών μπορεί να είναι δύσκολο να ελεγχθούν και να είναι επιρρεπή σε θόρυβο και μεταβολές. Μέσω αυτής της εργασίας διαφαίνεται η εξαιρετική δυνατότητα συντονισμού των νανο-ταλαντωτών αυτών μέσω της δυνατότητας ελέγχου της συχνότητάς τους σε ένα ευρύ φάσμα, μέσω ηλεκτρικού ρεύματος και μαγνητικού πεδίου και μπορεί να χρησιμοποιηθεί για την αντιμετώπιση αυτής της πρόκλησης. Με τον τρόπο που περιγράφεται εκπαιδεύεται με επιτυχία ένα δίκτυο υλικού τεσσάρων νανο-ταλαντωτών περιστροφής ροπής για να αναγνωριστούν τα φωνήεντα συντονίζοντας τις συχνότητές τους σύμφωνα με έναν αυτόματο κανόνα μάθησης σε πραγματικό χρόνο. Παρατηρείται ότι τα υψηλά ποσοστά πειραματικής αναγνώρισης πηγάζουν από την ικανότητα αυτών των ταλαντωτών να συγχρονίζονται. Τα αποτελέσματά που προκύπτουν καταδεικνύουν ότι οι εργασίες ταξινόμησης προτύπων μπορούν να επιτευχθούν με μικρά νευρωνικά δίκτυα υλικού, με μη γραμμικά δυναμικά χαρακτηριστικά, μέσω ταλαντώσεων και συγχρονισμού.
Περίληψη
Artificial neural networks are the main algorithms of artificial intelligence. In artificial neural networks the neuron activation functions are static and their calculation is achieved through common numerical functions. At the same time, a branch of computers inspired by neuro-effects relates to the dynamic nature of the brain and proposes to give each element of a neural network a dynamic functionality, such as oscillations, and to rely on emerging natural phenomena, such as synchronization, to solve complex problems. in small-scale networks. This approach is of particular interest for hardware implementations, as emerging nano electronic devices can provide compact and energy-efficient nonlinear automatic oscillators that mimic the periodic active activity of biological neurons. Dynamic connections between oscillators can then be used to mediate synaptic communication between artificial neurons. One challenge with using nano-devices in this way is to achieve learning by tuning their coupled oscillations. The dynamic characteristics of nano-devices can be difficult to control and are prone to noise and changes. This work demonstrates the exceptional potential for tuning these nano oscillators through the ability to control their frequency over a wide range of electric current and magnetic fields and can be used to address this challenge. In the manner described, a network of four torque nano-oscillators is successfully trained to identify vowels by tuning their frequencies according to an automatic real-time learning rule. It is observed that the high rates of experimental recognition stem from the ability of these oscillators to synchronize. The results show that pattern classification tasks can be accomplished with small material neural networks, with nonlinear dynamic characteristics, through oscillations and synchronization.
Αριθμός σελίδων
42Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Πληροφορικής και ΥπολογιστώνΤίτλος Προγράμματος Μεταπτυχιακών Σπουδών
Επιστήμη και Τεχνολογία της Πληροφορικής και των ΥπολογιστώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές