智能核心：内存计算解耦感官信号属性

文章预览

In-memory factorization of holographic perceptual representations https://arxiv.org/pdf/2211.05052 本文基础： 高效因子分解：Resonator networks 1 高效因子分解：Resonator networks 2 代码实现： 认知符号架构超维计算开源Torchhd库 及 https://github.com/IBM/in-memory-factorizer 摘要： 感官信号的组成属性的解开是感官知觉和认知的核心 ，因此是未来人工智能系统的一项关键任务。在本文中，我们提出了一种计算引擎，能够通过利用受 大脑启发的超维计算的叠加计算能力以及与基于模拟内存计算相关的内在随机性，有效地分解这些属性组合的高维全息表示 。在纳米级 忆阻器件上 。这种迭代内存分解器被证明可以解决至少 五个数量级的大问题 ，而这些问题是其他方法无法解决的，同时还显着 降低了计算时间和空间复杂度 。我们通过采用两个基于 相变 忆阻器 件的内存计算芯片来展示因 ………………………………