InfoQ
·
宾夕法尼亚大学研究人员开发无处理器学习电路
💡
原文英文，约600词，阅读约需3分钟。
📝
内容提要
宾夕法尼亚大学研究人员设计了一种类似神经网络的低功耗电路，可以学习非线性回归等任务。该电路由晶体管组成的虚拟可变电阻器网络，通过耦合学习调整电阻器的值进行学习。研究人员发现该电路可以学习非线性函数，具有可扩展性和鲁棒性，适用于边缘系统。
🎯
关键要点
- 宾夕法尼亚大学研究人员设计了一种低功耗电路，类似于神经网络，可以学习非线性回归等任务。
- 该电路由晶体管组成的虚拟可变电阻器网络，通过耦合学习调整电阻器的值进行学习。
- 研究表明，该电路能够学习非线性函数，具有可扩展性和鲁棒性，适用于边缘系统。
- 该电路在训练时，两个相同的MOSFET晶体管网络通过电容器连接，进行电压更新以对应神经网络的权重。
- 系统训练后，可以通过施加新输入电压来进行推理，输出电压对应学习结果。
- 研究人员指出，尚需解决网络拓扑的最优选择和系统规模增长对训练时间和功耗的影响等问题。
- 讨论中提到，如何维持电容器上的电荷以防止权重漂移是一个重要问题。
- 硬件中的机器学习有着悠久的历史，MIT的研究团队也开发了类似的低功耗神经网络系统。
➡️
