ترجمه فارسی مقاله آموزش یک شبکه اسپینترونیک دینامیکی چند لایه با ابزارهای استاندارد یادگیری ماشین برای انجام طبقه‌بندی سری‌های زمانی

چکیده

The ability to process time-series at low energy cost is critical for many applications. Recurrent neural network, which can perform such tasks, are computationally expensive when implementing in software on conventional computers. Here we propose to implement a recurrent neural network in hardware using spintronic oscillators as dynamical neurons. Using numerical simulations, we build a multi-layer network and demonstrate that we can use backpropagation through time (BPTT) and standard machine learning tools to train this network. Leveraging the transient dynamics of the spintronic oscillators, we solve the sequential digits classification task with $89.83pm2.91~%$ accuracy, as good as the equivalent software network. We devise guidelines on how to choose the time constant of the oscillators as well as hyper-parameters of the network to adapt to different input time scales.

چکیده به فارسی (ترجمه ماشینی)

توانایی پردازش سری زمانی با هزینه کم انرژی برای بسیاری از برنامه ها بسیار مهم است.شبکه عصبی مکرر ، که می تواند چنین کارهایی را انجام دهد ، هنگام اجرای نرم افزار در رایانه های معمولی از نظر محاسباتی گران است.در اینجا ما پیشنهاد می کنیم یک شبکه عصبی مکرر در سخت افزار با استفاده از نوسان سازهای اسپینتریون به عنوان نورونهای دینامیکی پیاده سازی کنیم.با استفاده از شبیه سازی های عددی ، ما یک شبکه چند لایه ایجاد می کنیم و نشان می دهیم که می توانیم از طریق زمان (BPTT) و ابزارهای یادگیری ماشین استاندارد برای آموزش این شبکه از backpropagation استفاده کنیم.با استفاده از دینامیک گذرا از نوسان سازهای Spintronic ، ما وظیفه طبقه بندی رقم های متوالی را با دقت 89.83 PM2.91 ~ ٪ $ دقت ، به خوبی به عنوان شبکه نرم افزاری معادل حل می کنیم.ما دستورالعمل هایی را در مورد چگونگی انتخاب ثابت زمان نوسان سازها و همچنین پارامترهای بیش از حد شبکه برای سازگاری با مقیاس های زمانی مختلف ورودی ارائه می دهیم.