忆阻深度神经网络及其在图像识别上的应用

Memristive deep neural networks and its applications in image recognition are new research areas both at home and abroad. This project will establish the mathematic and circuit memristive models based on the recent international practical data of the memristive devices, which can reflect the intrinsical characteristics of the memristor. Moreover, a refined memristive deep learning circuit will be designed to achieve image recognitions..Compared with traditional deep neural networks, memristive deep neural networks have the advantages of faster training speed, less required epochs, lower power consumption, and smaller memory. The novelties of this project are designing robust circuits for memristive deep neural networks, which will correctly accomplish the training process of memristive deep neural networks for image recognitions, considering the effects of the errors. Furthermore, memristive binary and quantized neural networks will be designed to achieve image recognitions wiith the same accuracy, which can further reduce the training time, power consumption, and memory. .This project will provide a new method to realize deep learning algorithm both in hardware and software. This will create favorable conditions for our country to develop memristive deep learning circuits with independent intellectual property rights, and provide opportunities for our country to catch up abroad technologies of hardware implementation of artificial intelligence.

忆阻深度神经网络及其在图像识别上的应用在国内外都是新兴方向。本项目将根据国际最新的忆阻真实设备测试数据，建立更加符合忆阻本质特性的数学模型和电路模型，设计新型忆阻深度学习优化电路，并实现相应的图像识别功能。.忆阻深度学习优化网络跟传统深度学习网络比，训练速度更快、需要的周期数更少、所需内存更小、功耗更低。本项目的创新性在于设计一种稳定的、能够容忍噪声的忆阻深度学习电路，在考虑误差因素的条件下正确地完成图像识别功能。设计基于忆阻深度学习网络的二值及量化深度学习算法，在保证测试精度的前提下更快速度、更小内存、更低功耗地完成相应的图像识别功能。.本项目将为软硬件结合实现深度学习算法提供新方法。这为我国发展具有自主知识产权的忆阻深度学习电路创造了有利的条件，也为我国迎头赶上国外的人工智能的硬件实现技术提供了有利的契机。

忆阻深度神经网络及其在图像识别上的应用在国内外都是新兴方向。本项目根据国际最新的忆阻真实设备测试数据，建立更加符合忆阻本质特性的数学模型和电路模型，设计新型忆阻深度学习优化电路，并实现相应的图像识别功能。.忆阻深度学习优化网络跟传统深度学习网络比，训练速度更快、需要的周期数更少、所需内存更小、功耗更低。本项目的创新性在于设计一种稳定的、能够容忍噪声的忆阻深度学习电路，在考虑误差因素的条件下正确地完成图像识别功能。设计基于忆阻深度学习网络的二值及量化深度学习算法，在保证测试精度的前提下更快速度、更小内存、更低功耗地完成相应的图像识别功能。.本项目达到了以下目标：.（1）根据忆阻实物设备的测试数据建立更符合实际情况的新型忆阻突触模型，该模型与忆阻实验数据之间的误差与现有模型相比减小10%。.（2）构建稳定的忆阻深度神经网络电路，实现基于忆阻深度神经网络的图像识别功能。与现有忆阻深度神经网络算法相比，测试识别率提高8%。.（3）设计适用于忆阻二值及量化深度学习的优化算法，实现相应的图像识别功能。在保证精度的前提下，提高速度50%以上，降低内存和功耗5倍以上。.在项目期间发表学术论文5篇，其中SCI论文4篇（包括3篇中科院一区top期刊），会议论文1篇，专利授权4项，软件著作4部，国际会议特邀报告1次。