存储器系统和设备可能用于实现应用于模式识别的储层计算(RC)系统。然而,Memristive RC系统的计算能力取决于交错的因素,例如存储器元素的系统架构和物理属性,其复杂化了系统性能的关键因素。在这里,我们为RC的仿真平台开发了Memristor设备网络的仿真平台,这使得能够测试不同的系统设计以进行性能改进。数值模拟表明,基于Memristor-Network的RC系统可以在三个时间级分类任务中产生与最先进的方法相当的高计算性能。我们证明,通过适当地设置忆阻器的网络结构,非线性和预/后处理可以实现设备到设备可变性的优异和鲁棒计算,这增加了利用不可靠的分量设备的可靠计算的可能性。我们的成果有助于建立椎间盘储层设计指南,以实现节能机械学习硬件。
translated by 谷歌翻译