分層時態記憶的神經網路形態結構

在人工智慧時代，仿生機器智能演算法，其在創建時空輸入流的不變表示方面具有前景，是分層時間存儲器（HTM）。這種無監督的在線演算法已經在幾個機器學習任務中得到證明，包括異常檢測。在將HTM演算法形式化並應用於不同類別的問題方面已經做出了重大努力。HTM硬體架構的早期探索很少，特別是對於早期版本的HTM演算法的空間池。

在本文中，我們提出了一個用於空間池和時間內存的全尺寸HTM架構。提出合成突觸設計以解決在學習期間發生的潛在和動態互連。該體系結構與並行單元和列交織，可實現HTM的高處理速度。

空間集中器架構在XilinxZYNQ-7上合成，MNIST的分類精度為91.16％，EUNF的精度為90％，具有雜訊。對於時間記憶序列預測，對於從EUNF數據集生成的5個數字長序列觀察一階和二階預測，並且獲得95％的準確度。

此外，所提出的硬體架構提供了比軟體實現快1364倍的速度。這些結果表明，所提出的架構可以作為數字核心，在硬體中構建HTM，最終作為獨立的自學系統。針對兩個不同的數據集驗證了所提出的架構：MNIST和車牌字體（EUNF），存在和不存在雜訊。（歡迎轉載分享）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！