Aller au contenu principal
Accès ouvert déclaré 2023 article

Passive frustrated nanomagnet reservoir computing

16Citations signalées, ce qui n’est pas une note de qualité
4Institutions déclarées
2Pays d’affiliation déclarés

Rattachement africain : us, es. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Abstract Reservoir computing (RC) has received recent interest because reservoir weights do not need to be trained, enabling extremely low-resource consumption implementations, which could have a transformative impact on edge computing and in-situ learning where resources are severely constrained. Ideally, a natural hardware reservoir should be passive, minimal, expressive, and feasible; to date, proposed hardware reservoirs have had difficulty meeting all of these criteria. We, therefore, propose a reservoir that meets all of these criteria by leveraging the passive interactions of dipole-coupled, frustrated nanomagnets. The frustration significantly increases the number of stable reservoir states, enriching reservoir dynamics, and as such these frustrated nanomagnets fulfill all of the criteria for a natural hardware reservoir. We likewise propose a complete frustrated nanomagnet reservoir computing (NMRC) system with low-power complementary metal-oxide semiconductor (CMOS) circuitry to interface with the reservoir, and initial experimental results demonstrate the reservoir’s feasibility. The reservoir is verified with micromagnetic simulations on three separate tasks demonstrating expressivity. The proposed system is compared with a CMOS echo state network (ESN), demonstrating an overall resource decrease by a factor of over 10,000,000, demonstrating that because NMRC is naturally passive and minimal it has the potential to be extremely resource efficient.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Passive frustrated nanomagnet reservoir computing
Date Crossref
17/08/2023
Éditeur
Springer Science and Business Media LLC
Type
journal-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • The University of Texas at Dallas Department of Electrical and Computer Engineering pays non établi dans la notice
    Université ou école supérieure
  • Virginia Commonwealth University Department of Mechanical and Nuclear Engineering pays non établi dans la notice
    Université ou école supérieure
  • United States Air Force Research Laboratory pays non établi dans la notice
    Structure de recherche
  • Universidad de Salamanca pays non établi dans la notice
    Université ou école supérieure
  • Air Force Research Laboratory - Information Directorate pays non établi dans la notice
    Structure de recherche

Department of Electrical and Computer Engineering — The University of Texas at Dallas, Department of Mechanical and Nuclear Engineering — Virginia Commonwealth University et United States Air Force Research Laboratory, avec 2 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Neural Networks and Reservoir ComputingAdvanced Memory and Neural ComputingRandom lasers and scattering media

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.