您好,欢迎访问德阳烯碳科技有限公司官网!

新闻资讯
NEWS INFORMATION
本文精选
深度神经网络在持续学习中的局限性源于对生物神经回路复杂性的过度简化,常常忽略了记忆稳定性与学习可塑性之间的动态平衡。在本研究中,提出了一种增强了元可塑性的人工突触器件,该器件使用石墨烯量子点(GQDs),元可塑性是一种高级的突触可塑性形式,有助于记忆和学习过程的动态调节,类似于生物系统中的观察结果。该基于石墨烯量子点的器件利用界面介导的修改非对称导电路径,复制了经典的突触可塑性机制。这使得器件能够对与历史权重相关的未来权重变化进行可重复且线性可编程的调整。将元可塑性引入深度神经网络中对于实现泛化至关重要,使得网络在适应新信息的同时能够保持之前获得的知识。基于石墨烯量子点的器件系统在第四个MNIST数据集任务中达到了97%的准确率,并且在之前的任务中持续保持了94%以上的表现水平。该表现验证了将元可塑性原则直接应用于深度神经网络的可行性,从而有效解决了灾难性遗忘的问题。这些发现为开发具有强大和持久学习能力的神经形态系统提供了有前景的硬件解决方案,能够有效地弥合人工神经网络与生物神经网络之间的差距。
6. 利用元可塑性机制,开发能够自适应学习新任务的神经网络系统,使其能够在变化的环境中稳定工作,避免因任务切换而引起的性能退化。
原文链接
Metaplasticity‐Enabled Graphene Quantum Dot Devices for Mitigating Catastrophic Forgetting in Artificial Neural Networks
Adv. Mater. (IF 27.4)
Pub Date : 2024-12-09
DOI : 10.1002/adma.202411237
Xuemeng Fan, Anzhe Chen, Zongwen Li, Zhihao Gong, Zijian Wang, Guobin Zhang, Pengtao Li, Yang Xu, Hua Wang, Changhong Wang, Xiaolei Zhu, Rong Zhao, Bin Yu, Yishu Zhang
信息来源:二维材料Frontier




扫码添加微信
微信号:13378138773
Copyright © 2021 德阳烯碳科技有限公司 All rights reserved 蜀ICP备14013188号-4
网站建设:中企动力 成都