Везде
Разработка аппарата образного представления информации для нейроморфных устройств
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Разработка аппарата образного представления информации для нейроморфных устройств
Аннотация
Код статьи
S0544126924050086-1
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Симонов Н. А.  
Аффилиация: Физико-технологический институт им. К. А. Валиева Российской академии наук
Выпуск
Том 53 Номер выпуска 5
Страницы
427-438
Аннотация
В работе рассматривается применение математического аппарата пятен для нейроморфных устройств на кроссбарах элементов памяти, архитектура которых соответствует технике вычислений в памяти. Аппарат пятен позволяет представлять и обрабатывать семантическую информацию в форме ментальных образов, а также моделировать рассуждения в форме, свойственной человеку. В частности, это дедуктивные, индуктивные, абдуктивные, а также и немонотонные рассуждения, когда выводы делаются на основе имеющихся знаний, а получение новых знаний может изменить выводы. Аппарат пятен является математической основой создания нейроморфных устройств с техникой вычислений в памяти, способных не только представлять семантическую информацию в образной форме, но и моделировать образное мышление. Это позволит решить большую проблему для современных глубоких нейронных сетей, связанную с возможностью возникновения случайных, ничем не обусловленных ошибок.
Ключевые слова
ментальные образы каузальные рассуждения нейроморфные устройства кроссбары мемристоры FeFET
Источник финансирования
Работа выполнена в рамках Государственного задания ФТИАН им. К. А. Валиева РАН Минобрнауки РФ по теме № FFNN-2022-0019 «Фундаментальные и поисковые исследования в области создания перспективной элементной базы наноэлектроники и ее ключевых технологий.
Классификатор
Получено
23.02.2025
Всего подписок
0
Всего просмотров
26
Оценка читателей
0.0 (0 голосов)
Цитировать   Скачать pdf

Библиография

1. Seo J.S., Brezzo B., Liu Y., Parker B.D., et al. A 45nm CMOS neuromorphic chip with a scalable architecture for learning in networks of spiking neurons // IEEE Custom Integrated Circuits Conf (CICC). 2011. P. 1–4. IEEE.

2. Indiveri G., Linares-Barranco B., Hamilton T.J. et al. Neuromorphic silicon neuron circuits // Front. Neurosci. 2011. V. 5. P. 1–23.

3. Zhu J., Zhang T., Yang Y., and Huang R. A comprehensive review on emerging artificial neuromorphic devices // Applied Physics Reviews. 2020. Rev. 7, 011312. P. 1–107.

4. Гостев А.А. Психология вторичного образа. М.: Литрес, 2022.

5. Горбань А.Н. Проблема надежности многомерного ИИ в многомерном мире. Доклад на заседании ОНИТ РАН, 24 февраля 2022 г. URL: https://cloud.niime.ru/s/fwfX8eYHg6EDz6q?path=%2F2021%20-%202023

6. Image Classification on ImageNet. URL: https://paperswithcode.com/sota/image-classification-on-imagenet

7. Searle J.R. Minds, brains, and programs // Behav. Brain Sci. 1980. V. 3. P. 417–424.

8. Финн В.К. Индуктивные методы ДС Милля в системах искусственного интеллекта. Часть I // Искусственный интеллект и принятие решений. 2010. № 3. С. 3–21.

9. Финн В.К. Индуктивные методы ДС Милля в системах искусственного интеллекта. Часть II // Искусственный интеллект и принятие решений. 2010. № 4. С. 14–40.

10. Wang P. Cognitive Logic vs Mathematical Logic // Lecture Notes of the 3rd International Seminar on Logic and Cognition. China, Guangzhou, 2004.

11. Адамар Ж. Исследование психологии процесса изобретения в области математики. Пер. с франц. М.: МЦНМО, 2001.

12. Симонов Н.А. Концепция пятен для задач искусственного интеллекта и алгоритмов нейроморфных систем. // Микроэлектроника. 2020. Т. 49. № 6. С. 459–473.

13. Simonov N.A. Application of the model of spots for inverse problems. // Sensors. 2023. V. 23. No 3. 1247.

14. Simonov N.A., Rusalova M.N. Mental imagery representation by model of spots in psychology // Natural Systems of Mind. 2023. V. 3. No 1. P. 4–22.

15. Nanay B. Mental Imagery // E. N. Zalta (ed.) The Stanford Encyclopedia of Philosophy. 2021. [Электронный ресурс] URL: https://plato.stanford.edu/archives/win2021/entries/mental-imagery/

16. Веккер Л.М. Психика и реальность: единая теория психических процессов. М.: Cмысл, 1998.

17. Simonov N.A. Spatial representation of concepts and processes in psychology by the spots model // Natural Systems of Mind. 2024. V. 4. No 2С. 6–20. https://doi.org/ 10.38098/nsom_2024_04_02_01.

18. Sima J.F., Freksa C. Towards computational cognitive modeling of mental imagery: The attention-based quantification theory // KI-Künstliche Intelligenz. 2012. V. 26. P. 261–267.

19. Donini F.M., Lenzerini M., Nardi D., Pirri F., and Schaerf M. Nonmonotonic reasoning // Artificial Intelligence Review. 1990. V. 4. No 3. P. 163–210.

20. Светлов В.А. Методологическая концепция научного знания Чарлза Пирса: единство абдукции, дедукции и индукции // Логико-философские штудии. 2012. № 5. С. 165-188.

21. Bochman A. Causal reasoning from almost first principles // Synthese. 2024. V. 203:19.

22. Карта Карно [Электронный ресурс] // Википедия. 2023. Дата обновления: 28.10.2023. URL: https://ru.wikipedia.org/?curid=712337&oldid=133861103

23. Simonov N.A. Development of a mathematical apparatus with an imagery representation of information for neuromorphic systems. // Russian Microelectronics. 2023. V. 52. No. 6, Suppl. 1. P. S158–S161.

24. Ielmini D. and Wong H.S.P. In-memory computing with resistive switching devices // Nature electronics. 2018. V.1. No 6. P. 333–343.

25. Tarkov M., Tikhonenko F., Popov V., Antonov V., Miakonkikh A., and Rudenko K. Ferroelectric Devices for Content-Addressable Memory. Nanomaterials. 2022. V. 12. 4488.

26. Akers S.B. A rectangular logic array // 12th Annual Symposium on Switching and Automata Theory (SWAT). 1971. P. 79–90. IEEE.

27. Levy Y., Bruck J., Cassuto Y., Friedman E. G., Kolodny A., Yaakobi E., and Kvatinsky S. Logic operations in memory using a memristive Akers array // Microelectronics Journal. 2014. V. 45. No 11. P. 1429–1437.

28. Borghetti J., Snider G.S., Kuekes P.J., Yang J.J., Stewart D.R., and Williams R.S. Memristive’switches enable ‘stateful’logic operations via material implication // Nature. 2010. V. 464. P. 873–876.

29. Kvatinsky S., Belousov D., Liman S., Satat G., Wald N., Friedman E.G., Kolodny A. and Weiser U.C. MAGIC-Memristor-aided logic // IEEE Transactions on Circuits and Systems II: Express Briefs. 2014. V. 61. No 11. P. 895–899.

30. Gupta S., Imani M. and Rosing T. Felix: Fast and energy-efficient logic in memory // IEEE/ACM International Conference on Computer-Aided Design (ICCAD). 2018. P. 1–7. IEEE.

31. Удовиченко С., Писарев А., Бусыгин А., Маевский О. 3D КМОП-мемристорная нанотехнология создания логической и запоминающей матриц нейропроцессора // Наноиндустрия. 2017. № 5. С. 26–34.

32. Удовиченко С., Писарев А., Бусыгин А., Маевский О. Нейропроцессор на основе комбинированного мемристорно-диодного кроссбара // Наноиндустрия. 2018. Т. 11. № 5. С. 344–355.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести