2次元のメモリスタを介した言語学習のためのセンサー内貯水池コンピューティング

一時的および連続的な情報を運ぶ光電子信号の動的処理は、言語処理やコンピュータービジョンなど、さまざまな機械学習アプリケーションにとって重要です。人間の脳の視覚皮質をエミュレートするための広範な努力にもかかわらず、物理的に分離されたセンシング、記憶、および処理ユニットによって大きなエネルギー/時間のオーバーヘッドと追加のハードウェアコストが発生します。この課題は、エッジ展開のための従来の再発性ニューラルネットワークの退屈なトレーニングによってさらに強化されます。ここでは、言語学習のためのセンサー内貯水池コンピューティングを報告します。センサー内貯水池の高次元、非線形性、およびフェードメモリは、硫化スズ（SN）に基づく2次元のメモリスタを介して達成され、SNおよびS空室に関連するデュアルタイプの欠陥状態を独自に持っています。センサー内の貯水池コンピューティングは、言語の短い文を分類するために91％の精度を示しているため、低いトレーニングコストと、エッジでの機械学習アプリケーションの時間的およびシーケンシャル信号を処理するためのリアルタイムソリューションに光を当てます。

The dynamic processing of optoelectronic signals carrying temporal and sequential information is critical to various machine learning applications including language processing and computer vision. Despite extensive efforts to emulate the visual cortex of human brain, large energy/time overhead and extra hardware costs are incurred by the physically separated sensing, memory, and processing units. The challenge is further intensified by the tedious training of conventional recurrent neural networks for edge deployment. Here, we report in-sensor reservoir computing for language learning. High dimensionality, nonlinearity, and fading memory for the in-sensor reservoir were achieved via two-dimensional memristors based on tin sulfide (SnS), uniquely having dual-type defect states associated with Sn and S vacancies. Our in-sensor reservoir computing demonstrates an accuracy of 91% to classify short sentences of language, thus shedding light on a low training cost and the real-time solution for processing temporal and sequential signals for machine learning applications at the edge.