Deceptive Logic Locking for Hardware Integrity Protection against Machine Learning Attacks
RWTH Aachen University(亚琛工业大学)
逻辑锁定已成为保护集成电路完整性的一种重要的密钥驱动技术。然而,最近引入了新的基于机器学习的攻击来挑战锁定方案的安全基础。这些攻击能够在不访问激活电路的情况下恢复相当大比例的密钥。本文件通过两个重点讨论这一问题。首先,我们提出了一个理论模型来测试锁定方案的关键相关的结构泄漏,可以利用机器学习。其次,基于理论模型,我们介绍了D-MUX:一个欺骗性的基于多路复用器的逻辑锁定方案,对结构利用机器学习攻击是有弹性的。通过D-MUX的设计,我们发现了一个主要的谬误,在现有的基于多路复用器的锁定方案的形式的结构分析攻击。最后,对D-MUX进行了广泛的成本评估。据我们所知,D-MUX是第一个机器学习弹性锁定方案,能够抵御所有已知的基于学习的攻击。据此,所提出的工作提供了一个起点,在机器学习时代的未来一代逻辑锁定的设计和评估。
2021-07-19 cs.CR cs.LG
Towards Ethical Machines Via Logic Programming
University of L’Aquila(拉奎拉大学);University of Bari(巴里大学)
自主智能体在我们的生活中扮演着越来越重要的角色。它们包含关于我们的信息,并开始代表我们执行任务。聊天机器人就是需要与人类进行复杂对话的代理的一个例子。因此,我们需要确保他们的行为合乎道德。在这项工作中,我们提出了一种基于混合逻辑的道德聊天机器人的方法。
2019-09-18 cs.AI cs.LG cs.LO
Logic Programming and Machine Ethics
DISIM, University of L’Aquila(拉奎拉大学DISIM);DIB and CILA, University of Bari “Aldo Moro”(巴里大学“Aldo Moro”DIB和CILA)
透明度是道德机器的关键要求。经过验证的道德行为不足以在自主智能代理中建立合理的信任:它需要解释决策的能力。逻辑程序设计(LP)在开发这样的视角伦理系统方面具有巨大的潜力,因为事实上逻辑规则很容易被人类理解。此外,LP能够对因果关系进行建模,这对于伦理决策至关重要。
2020-09-22 cs.AI cs.CY cs.HC
Quantum-Logic Tsetlin Machines: Interpretable Quantum Machine Learning with Commuting Projector Clauses
Fractal Analytics(分形分析公司)
该研究提出量子逻辑Tsetlin机(QL-TM),将Tsetlin子句学习与量子逻辑关联,经实验验证其在合适语境下可恢复有物理意义的子句,不涉及量子优势宣称。
2026-08-20 cs.LG cs.LO quant-ph
Addressing the interpretability problem for deep learning using many valued quantum logic
IBM Systems(IBM系统)
深度学习模型广泛用于各种工业和科学应用。尽管这些模型近年来取得了相当大的成功,但在机器学习社区中,对这些系统做出的决策背后的基本原理缺乏理解。这一可解释性问题因这类模型日益复杂而进一步恶化。本文利用机器学习,量子计算和量子场论的概念来演示多值量子逻辑系统如何自然地出现在一类特定的生成深度学习模型中,称为卷积深度信念网络。它为构建深度学习模型提供了一个强大的理论框架,该模型具有许多有值量子逻辑系统的可解释性,而不会影响其计算效率。
2020-07-02 cond-mat.dis-nn cs.LG stat.ML
Skill Machines: Temporal Logic Skill Composition in Reinforcement Learning
School of Computer Science and Applied Mathematics(计算机科学与应用数学系);University of the Witwatersrand(威特沃特斯兰德大学)
提出技能机器框架,通过先学习技能原语再逻辑与时序组合,实现零样本满足时序逻辑规范,并在表格、视频游戏和连续控制环境中验证有效性。
2024-03-16 cs.LG cs.LO
Machine Learning Model Integration with Open World Temporal Logic for Process Automation
Syracuse University(苏塞克斯大学);Arizona State University(亚利桑那州立大学)
本文提出将机器学习模型与PyReason框架整合,以提升复杂流程自动化的决策能力和可解释性。
2026-01-07 cs.AI cs.LG cs.LO
Logic-based AI for Interpretable Board Game Winner Prediction with Tsetlin Machine
University of Agder(阿格德大学);University of Amsterdam(阿姆斯特丹大学);PwC Switzerland(普华永道瑞士)
Hex是一个回合制的双人连接游戏,具有高分支因子,使游戏随着棋盘大小的增加而变得任意复杂。因此,玩Hex的顶级算法依赖于使用神经网络对棋盘位置的准确评估。然而,当用户想要理解所做预测背后的推理时,神经网络有限的可解释性是有问题的。在本文中,我们建议使用命题逻辑表达式来描述输赢棋盘游戏的立场,促进精确的视觉解释。我们采用Tsetlin机器(TM)从以前玩过的游戏中学习这些表达式,描述棋子必须位于或不位于棋盘位置才能强大。在$6\times6$板上进行的大量实验将我们基于TM的解决方案与流行的机器学习算法(如XGBoost、InterpretML、决策树和神经网络)进行了比较,考虑了$2$到$22$移动的各种板配置。平均而言,TM测试精度为$92.1\%$,优于所有其他评估算法。我们进一步展示了全球的逻辑表达式的解释,并将它们映射到特定的棋盘游戏配置,以调查当地的可解释性。我们相信,由此产生的可解释性为准确的辅助AI和人类-AI协作以及更复杂的预测任务奠定了基础。
2022-03-08 cs.AI cs.LG
Building Concise Logical Patterns by Constraining Tsetlin Machine Clause Size
NORCE Norwegian Research Centre(NORCE挪威研究中心);DNV Norway(挪威DNV集团);University of Agder(阿格德尔大学)
Tsetlin机(TM)是一种基于逻辑的机器学习方法,具有透明和硬件友好的关键优势。虽然TM在越来越多的应用程序中达到或超过了深度学习的准确性,但大型子句池往往会产生具有许多文字的子句(长子句)。因此,它们变得不那么容易解释。此外,较长的子句增加了子句逻辑在硬件中的切换活动,消耗更多的功率。本文介绍了一种新的TM学习的变体-子句大小约束TM(CSC-TM)-其中可以设置一个软约束的子句大小。一旦子句包含的文字数量超过约束所允许的数量,它就开始排除文字。因此,过大的子句只会暂时出现。为了评估CSC-TM,我们进行分类,聚类和回归实验的表格数据,自然语言文本,图像和棋盘游戏。我们的研究结果表明,CSC-TM保持准确性与多达80倍的文字。事实上,准确性随着TREC、IMDb和BBC体育的更短条款而增加。在准确性达到峰值后,随着子句大小接近单个字面值,准确性会缓慢下降。最后,我们分析CSC-TM的功耗,并得出新的收敛性能。
2023-01-19 cs.AI cs.LG cs.LO
Logic-Based Explainability in Machine Learning
IRIT(图卢兹计算机科学研究所);CNRS(法国国家科学研究中心)
在过去的十年里,机器学习(ML)取得了越来越多的成功。这些成功提供了明确的证据,表明ML必将在广泛的实际应用中变得普遍,包括许多直接影响人类的应用。不幸的是,人类决策者无法理解最成功的ML模型的操作。因此,ML模型的使用,特别是在高风险和安全关键环境中的使用并非没有问题。近年来,人们一直在努力设计解释ML模型的方法。这些努力大多集中在所谓的模型无关的方法。然而,所有与模型无关的和相关的方法都不能保证严格性,因此被称为非正式的。例如,这种非正式的解释可以与不同的预测相一致,这使得它们在实践中毫无用处。本文概述了正在进行的关于计算ML模型的严格的基于模型的解释的研究工作;这些被称为形式化解释。这些努力涵盖了各种主题,包括解释的实际定义,计算解释的复杂性的表征,当前用于推理不同ML模型的最佳逻辑编码,以及如何使解释可供人类决策者解释等。
2023-01-29 cs.AI cs.LG
Turning 30: New Ideas in Inductive Logic Programming
University of Oxford(牛津大学);KU Leuven(鲁汶大学);Imperial College London(帝国理工学院)
对最先进的机器学习的常见批评包括泛化能力差、缺乏可解释性以及需要大量训练数据。我们调查最近的工作在归纳逻辑程序设计(ILP),一种形式的机器学习,诱导逻辑程序从数据,这表明在解决这些限制的承诺。我们专注于学习递归程序,概括从几个例子,从手工制作的背景知识,\emph{learning}背景知识的转变,并使用不同的技术,特别是答案集编程和神经网络的新方法。随着ILP接近30,我们还讨论了未来的研究方向。
2020-04-22 cs.AI cs.LG
A Machine Learning guided Rewriting Approach for ASP Logic Programs
Department of Mathematics and Computer Science University of Calabria(卡利亚里大学数学与计算机科学系)
回答集编程(ASP)是一种声明式逻辑形式主义,允许通过逻辑程序编码计算问题。尽管声明性质的形式主义,一些先进的专业知识是必需的,在一般情况下,设计一个ASP编码,可以有效地评估一个实际的ASP系统。试图减少手动调整ASP程序的负担的常见方法包括根据合适的技术自动重写输入编码,以产生替代的但语义上等效的ASP程序。然而,重写并不总是在性能方面给予好处,因此,需要适当的手段来预测其效果与这方面。在本文中,我们描述了一种基于机器学习(ML)的方法来自动决定是否重写。特别是,给定一个ASP程序和一组输入事实,我们的方法选择是否以及如何重写输入规则的基础上测量其结构属性和域信息的一组功能。为此,一个多层感知器模型,然后训练,以指导ASP地面I-DLV重写输入规则。我们报告并讨论了一个原型实现的实验评估的结果。
2020-09-22 cs.AI cs.LG cs.LO
Logics and practices of transparency and opacity in real-world applications of public sector machine learning
University College London(伦敦大学学院)
机器学习系统越来越多地用于支持各个部门的公共部门决策。鉴于对这些领域问责制的关注,以及对有意或无意偏见的指责,人们越来越多地呼吁这些技术的透明度。然而,很少有人考虑过,那些参与机器学习系统的人是如何理解有关透明度的逻辑和实践的,这些系统已经在公共机构中试用和部署。这篇简短的论文从对5个经合组织国家的27个此类行为者(主要是公务员和相关承包商)的采访中提炼出关于透明度的见解。考虑到透明度和不透明与信任和买进,更好的决策,并避免游戏,它试图为那些希望开发社会技术方法的人提供有用的见解,这些方法可能对实地的从业人员有用。这篇论文的扩展存档版本可以作为Veale M.,Van Kleek M.,&宾斯河。(2018年)。“公平和问责制设计需要算法支持高风险公共部门决策”2018年CHI计算机系统人为因素会议(CHI'18),http://doi.org/10.1145/3173574.3174014。
2018-11-05 cs.CY cs.LG
A Methodology for Transparent Logic-Based Classification Using a Multi-Task Convolutional Tsetlin Machine
Dept. of ICT University of Agder(信息与通信技术系阿格德大学);School of Engineering Newcastle University(工程学院新castle大学)
本研究提出基于多任务卷积Tsetlin机的透明逻辑分类方法,可生成本地与全局可解释结果,在多数据集上性能接近ResNet50且保持可解释性,为复杂数据集应用提供思路。
2025-10-02 cs.LG
Deriving Hematological Disease Classes Using Fuzzy Logic and Expert Knowledge: A Comprehensive Machine Learning Approach with CBC Parameters
University of Salford(索尔福德大学)
本研究针对传统二元医学诊断难以捕捉疾病细微差异的问题,结合医师专家知识构建模糊逻辑规则,与随机森林分类器结合后利用CBC参数预测血液疾病,在医院数据集上取得高准确率,推动了血液诊断技术发展。
2024-06-18 cs.AI cs.LG
Machine learning for discovering laws of nature
USTC(中国科学技术大学)
本文提出“机器科学家”模型,通过逻辑树和值树从原始数据中学习物理规律,并在奖励惩罚机制下重新发现了牛顿方程和玻恩规则。
2023-07-08 cs.AI cs.LG quant-ph
Relational Neural Machines
University of Florence(佛罗伦萨大学);University of Siena(锡耶纳大学)
深度学习已被证明在有大量训练数据可用的几个任务中取得了令人印象深刻的结果。然而,深度学习只关注预测的准确性,忽略了导致决策的推理过程,这是生命关键应用中的一个主要问题。概率逻辑推理允许利用统计知识和特定领域的专业知识在不确定性下进行推理,但其可扩展性和与处理传感数据的层的脆弱集成极大地限制了其应用。出于这些原因,将深度架构和概率逻辑推理相结合是开发在复杂环境中运行的智能代理的基本目标。本文介绍了关系神经机,一种新的框架,允许联合训练的参数的学习者和一阶逻辑为基础的推理。关系神经机能够在纯子符号学习的情况下从监督数据恢复经典学习,并且在纯符号推理的情况下恢复马尔可夫逻辑网络,同时允许联合训练并在混合学习任务中执行推理。设计适当的算法解决方案,使学习和推理在大规模问题中易于处理。实验结果表明,在不同的关系任务有希望的结果。
2020-02-06 cs.AI cs.LG
Generalizing Logic-based Explanations for Machine Learning Classifiers via Optimization
Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE)(巴西塞阿布罗州联邦教育、科学和技术研究所(IFCE))
本文提出两种方法,通过优化提升基于逻辑的机器学习分类器解释的正确性和覆盖范围,实验表明Twostep显著提高了解释覆盖范围。
2026-03-02 cs.LG cs.LO
Interpretable Fault Diagnosis of Rolling Element Bearings with Temporal Logic Neural Network
Nanyang Technological University(南洋理工大学);University of California, Davis(加州大学戴维斯分校)
基于机器学习的方法在机械故障诊断中已经取得了成功的应用。然而,这些方法存在的主要限制是它们作为黑盒操作,并且通常不可解释。本文提出了一种新的神经网络结构--时序逻辑神经网络(TLNN),网络的神经元是逻辑命题。更重要的是,网络可以被描述和解释为加权信号时序逻辑。TLNN不仅保持了传统神经元网络的优良特性,而且用形式语言对自身进行了形式化解释。实验结果表明,该神经网络能够获得高精度的故障诊断结果,具有良好的计算效率。此外,神经元网络内嵌的形式语言可以对决策过程提供解释,从而实现可解释的故障诊断。
2022-04-19 cs.AI cs.LG
Simple Dataset for Proof Method Recommendation in Isabelle/HOL (Dataset Description)
Czech Technical University in Prague(布拉格捷克理工大学);University of Innsbruck(因斯布鲁克大学)
最近,越来越多的研究人员已经应用机器学习来帮助交互式定理证明器的用户。然而,底层逻辑的表达性和证明文档的深奥结构阻碍了机器学习从业者,他们通常在形式逻辑方面没有太多的专业知识,更不用说Isabelle/HOL了,无法在这一领域取得大规模的成功。在这个数据描述中,我们提出了一个简单的数据集,其中包含超过40万个证明方法应用程序的数据,以及每个应用程序的100多个提取特征,这些特征的格式可以在没有任何形式逻辑知识的情况下轻松处理。我们简单的数据格式允许机器学习从业者尝试机器学习工具来预测Isabelle/HOL中的证明方法,而不需要逻辑领域的专业知识。
2020-05-26 cs.AI cs.DB cs.LG
Learning Onto-Relational Rules with Inductive Logic Programming
规则补充和扩展了语义Web上的本体。我们将这些规则称为本体关系,因为它们结合了基于DL的本体语言和支持逻辑编程和演绎数据库传统内的关系数据模型的知识表示形式。规则编写是一项要求非常高的知识工程任务,可以通过应用机器学习算法来部分自动化。在这一章中,我们将展示归纳逻辑程序设计(ILP),诞生于机器学习和逻辑程序设计的交叉点,并被认为是关系学习的主要方法,可以适应本体关系学习。为了说明,我们提供了一个具体的本体关系学习解决方案的问题,学习基于规则的定义DL概念和角色与ILP的细节。
2012-10-29 cs.AI cs.DB cs.LG
The Tsetlin Machine -- A Game Theoretic Bandit Driven Approach to Optimal Pattern Recognition with Propositional Logic
Centre for Artificial Intelligence Research(人工智能研究中心);University of Agder(阿格德大学)
虽然单个人工神经元很简单,但当在深度网络中互连时,人工神经元提供了最先进的性能。可以说,Tsetlin自动机是一种更简单、更通用的学习机制,能够解决多臂强盗问题。它仅仅依靠一个整数作为记忆,通过递增和递减操作来学习随机环境中的最优行为。本文介绍了由一组Tsetlin自动机组成的Tsetlin机,它用命题公式解决复杂的模式识别问题。为了消除长期存在的信噪比消失的问题,Tsetlin机器使用一种新颖的游戏来编排自动机。此外,输入、模式和输出都表示为比特,而识别和学习依赖于比特操作,从而简化了计算。我们的理论分析建立了纳什均衡的游戏与命题公式,提供最佳的模式识别的准确性。这意味着学习没有局部最优,只有全局最优。在五个基准测试中,与SVM、决策树、随机森林、朴素贝叶斯分类器、逻辑回归和神经网络相比,Tsetlin机器提供了具有竞争力的准确性。我们进一步展示了如何命题公式促进解释。总之,我们相信高精度,可解释性和计算简单性的结合使Tsetlin机成为广泛领域的有前途的工具。
2021-01-02 cs.AI cs.CV cs.LG
A Relational Tsetlin Machine with Applications to Natural Language Understanding
Centre for AI Research(人工智能研究中心);University of Agder(阿格德尔大学);University of Pittsburgh(匹兹堡大学)
TM是一种模式识别方法,它使用有限状态机进行学习,并使用命题逻辑来表示模式。除了原生解释外,它们还为各种任务提供了具有竞争力的准确性。在本文中,我们提出了一个一阶逻辑为基础的框架与Herbrand语义,以提高计算能力的TM。由此产生的TM是相关的,可以利用自然语言中出现的逻辑结构,学习代表现实世界中行为和后果如何相关的规则。结果是Horn子句的逻辑程序,引入了非结构化数据的结构化视图。在闭域问答中,一阶表示产生了10倍更紧凑的KB,同时回答准确率从94.83%提高到99.48%。该方法对错误,缺失和多余的信息更加强大,提取了对现实世界理解重要的文本方面。
2021-02-22 cs.AI cs.CL cs.LG
Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis
University of California Los Angeles(加利福尼亚大学洛杉矶分校);The Pennsylvania State University(宾夕法尼亚州立大学);University of Virginia(弗吉尼亚大学)
基于CNF的SAT和MaxSAT求解器是逻辑综合和验证系统的核心。这些约束问题在电子设计自动化中的日益普及,鼓励了对不同SAT问题及其性质的研究,以进一步提高计算效率。现代的基于语法驱动的子句学习SAT求解器在理论和实践上都取得了成功,它允许在相对较短的时间内解决非常大的工业实例。最近,机器学习方法为解决这一具有挑战性的问题提供了新的维度。神经符号模型可以作为通用求解器,可以基于数据专门用于特定领域,而无需对模型的结构进行任何更改。在这项工作中,我们提出了一个单次模型来自Transformer架构来解决最大SAT问题,这是SAT的优化版本,其目标是满足最大数量的条款。我们的模型具有无标度结构,可以处理不同大小的实例。我们使用元路径和自我注意力机制来捕捉同构节点之间的交互。我们在二分图上采用交叉注意力机制来捕捉异构节点之间的交互。我们进一步应用迭代算法,我们的模型,以满足额外的条款,使解决方案接近的一个确切的SAT问题。注意力机制利用并行性来加速。我们的评估表明,改进的加速比相比,启发式方法和改进的完成率相比,机器学习方法。
2021-07-15 cs.AI cs.LG cs.NE
Beyond Explaining Predictions: Logic-Based Explanations for Confidence in Machine Learning Models
提出置信度感知的反绎解释,通过最小置信度阈值量化解释的置信保证,并设计算法生成满足用户指定置信阈值的最小解释,在提升置信保证的同时仅适度增加解释长度。
2026-06-09 cs.LG cs.LO
On the Convergence of Tsetlin Machines for the IDENTITY- and NOT Operators
University of Agder(阿格德大学);Norwegian Research Centre (NORCE)(挪威研究中心);Confirmit AS(康菲米特公司)
Tsetlin Machine(TM)是最近的一种机器学习算法,具有几个不同的属性,例如可解释性、简单性和硬件友好性。虽然许多经验评估报告其性能,其收敛性的数学分析仍然是开放的。在这篇文章中,我们分析了TM的收敛性,只有一个条款涉及的分类。更具体地说,我们研究了两个基本的逻辑运算符,即“IDENTITY”和“NOT”运算符。我们的分析表明,TM,只有一个条款,可以正确地收敛到预期的逻辑运算符,学习从训练数据在无限的时间范围。此外,它可以捕获任意罕见的模式,当两个候选模式不兼容时,通过配置粒度参数,选择最准确的一个。对这两个基本算子收敛性的分析为分析其他逻辑算子奠定了基础。从数学的角度来看,这些分析为为什么TM在几个模式识别问题上获得了最先进的性能提供了新的见解。
2021-10-11 cs.AI cs.LG
Modular Deep Reinforcement Learning with Temporal Logic Specifications
University of Oxford(牛津大学)
我们提出了一个演员批评,无模型,和在线强化学习(RL)框架的连续状态连续动作马尔可夫决策过程(MDP)时,奖励是高度稀疏的,但包括一个高层次的时间结构。我们表示这个时间结构的有限状态机和构建一个在飞行中的同步产品与MDP和有限机。时间结构作为产品内的RL代理的指南,其中提出了模块化深度确定性策略梯度(DDPG)架构来生成低级控制策略。我们评估我们的框架在火星探测器实验中,我们提出的合成政策的成功率。
2019-11-22 cs.AI cs.LG cs.LO
OpenABC-D: A Large-Scale Dataset For Machine Learning Guided Integrated Circuit Synthesis
New York University(纽约大学)
逻辑综合是集成电路(IC)设计中一个具有挑战性且研究广泛的组合优化问题。它将使用Verilog等程序设计语言的硬件高级描述转换为优化的数字电路网表,即实现功能的互连布尔逻辑门网络。由于ML在解决其他领域的组合和图形问题方面的成功,ML引导的逻辑综合工具的设计越来越受到关注。然而,没有标准的数据集或原型学习任务定义为这个问题域。在这里,我们描述了OpenABC-D,一个大规模的,标记的数据集,通过综合开源设计与领先的开源逻辑合成工具,并说明其在开发,评估和基准ML引导的逻辑合成的使用。OpenABC-D具有中间和最终输出,其形式为从1500次合成运行产生的870,000个与反相器图(AIG)加上标签,例如优化的节点计数和延迟。我们在这个数据集上定义了一个通用的学习问题,并对现有的解决方案进行了基准测试。与数据集创建和基准测试模型相关的代码可以在https://www.example.com上找到。github.com/NYU-MLDA/OpenABC.git生成的数据集可通过https://www.example.com获得archive.nyu.edu/handle/2451/63311
2021-10-21 cs.AI cs.LG cs.SY
Too Big to Fail? Active Few-Shot Learning Guided Logic Synthesis
New York University(纽约大学);University of Calgary(卡尔加里大学);Qualcomm Technologies, Inc.(高通技术公司)
次优综合变换序列的生成是逻辑综合中的一个重要问题。手工制作的合成配方质量很差。现有技术水平的机器学习(ML)用于生成合成配方,但不会扩展到大型网表,因为模型需要从头开始训练,为此使用耗时的合成运行来收集训练数据。我们提出了一种新的方法,靶心,微调过去的合成数据的预训练模型,以准确地预测一个看不见的网表的合成配方的质量。这种方法比最先进的机器学习方法实现了2 - 10倍的运行时间改进和更好的结果质量(QoR)。
2022-04-05 cs.AI cs.AR cs.LG
Reward Machines for Signal Temporal Logic
Virginia Commonwealth University(弗吉尼亚联邦大学);University of Virginia(弗吉尼亚大学)
本研究针对信号时序逻辑控制综合的难题,提出基于定时交替自动机的奖励机方法,在强化学习中实现了更高的鲁棒性分数和规范满足率。
2026-08-17 cs.AI cs.LG cs.RO
Low-Latency Asynchronous Logic Design for Inference at the Edge
Newcastle University(纽卡斯尔大学)
现代物联网(IoT)设备利用设备上的感测数据进行机器学习推理,而不是将它们卸载到云端。通常称为边缘推理,这为用户带来了许多好处,包括个性化和安全性。然而,这样的应用需要高能量效率和鲁棒性。在本文中,我们提出了一种方法,减少面积和功耗开销的自定时早传播异步推理电路,设计使用的原则,学习自动机。由于对时序和逻辑基础的自然弹性,这些电路能够承受环境和电源电压的变化,同时实现尽可能低的延迟。我们的方法是通过低功耗机器学习应用程序的推理数据路径来举例说明的。该电路建立在Tsetlin机器算法的基础上,进一步提高了其能效。与同步实现相比,所提出的电路的平均延迟减少了10倍,同时保持类似的面积。在0.25 V至1.2 V电源电压下,通过合成后仿真证明了该电路的鲁棒性。保持功能正确性,并且延迟随着电压降低而与栅极延迟成比例。
2020-12-07 cs.AR cs.LG eess.SP
Comparing Differentiable Logics for Learning Systems: A Research Preview
Maynooth University(梅努斯大学);Hamilton Institute(汉密尔顿研究所)
本研究预览比较了多种可微分逻辑在弱监督学习中的应用,发现其能编码背景知识但引入难调超参数,影响模型有效性。
2023-11-16 cs.AI cs.LG cs.LO