分层时态记忆的神经网络形态结构

　　在人工智能时代，仿生机器智能算法，其在创建时空输入流的不变表示方面具有前景，是分层时间存储器（HTM）。这种无监督的在线算法已经在几个机器学习任务中得到证明，包括异常检测。在将HTM算法形式化并应用于不同类别的问题方面已经做出了重大努力。HTM硬件架构的早期探索很少，特别是对于早期版本的HTM算法的空间池。

　　在本文中，我们提出了一个用于空间池和时间内存的全尺寸HTM架构。提出合成突触设计以解决在学习期间发生的潜在和动态互连。该体系结构与并行单元和列交织，可实现HTM的高处理速度。

　　空间集中器架构在XilinxZYNQ-7上合成，MNIST的分类精度为91.16％，EUNF的精度为90％，具有噪声。对于时间记忆序列预测，对于从EUNF数据集生成的5个数字长序列观察一阶和二阶预测，并且获得95％的准确度。

​　　此外，所提出的硬件架构提供了比软件实现快1364倍的速度。这些结果表明，所提出的架构可以作为数字核心，在硬件中构建HTM，最终作为独立的自学系统。针对两个不同的数据集验证了所提出的架构：MNIST和车牌字体（EUNF），存在和不存在噪声。（欢迎转载分享）