分層時態(tài)記憶的神經(jīng)網(wǎng)絡形態(tài)結(jié)構是怎樣的

在人工智能時代，仿生機器智能算法，其在創(chuàng)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(jiān)督的在線算法已經(jīng)在幾個機器學習任務中得到證明，包括異常檢測。在將HTM算法形式化并應用于不同類別的問題方面已經(jīng)做出了重大努力。HTM硬件架構的早期探索很少，特別是對于早期版本的HTM算法的空間池。

在本文中，我們提出了一個用于空間池和時間內(nèi)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(fā)生的潛在和動態(tài)互連。該體系結(jié)構與并行單元和列交織，可實現(xiàn)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％，具有噪聲。對于時間記憶序列預測，對于從EUNF數(shù)據(jù)集生成的5個數(shù)字長序列觀察一階和二階預測，并且獲得95％的準確度。

此外，所提出的硬件架構提供了比軟件實現(xiàn)快1364倍的速度。這些結(jié)果表明，所提出的架構可以作為數(shù)字核心，在硬件中構建HTM，最終作為獨立的自學系統(tǒng)。針對兩個不同的數(shù)據(jù)集驗證了所提出的架構：MNIST和車牌字體（EUNF），存在和不存在噪聲。