WikiEdge:ArXiv-2408.17007v1/summary：修订间差异

2024年9月3日 (二) 07:04的最新版本

本文介绍了一种基于忆阻器的计算存储硬件加速器，用于片上训练和推理，重点关注其在设备变化、导电误差和输入噪声下的准确性和效率。利用商业可用的基于银的金属自定向通道（M-SDC）忆阻器的真实SPICE模型，研究将固有的设备非理想性纳入电路仿真中。硬件由30个忆阻器和4个神经元组成，利用钨、铬和碳介质的三种不同的M-SDC结构执行二进制图像分类任务。片上训练算法精确调整忆阻器导电性以实现目标权重。结果表明，训练期间加入适度噪声（<15%）可以增强对设备变化和噪声输入数据的鲁棒性，即使在导电变化和输入噪声下也能实现高达97%的准确率。网络可以在不显著损失准确率的情况下容忍10%的导电误差。值得注意的是，在训练期间省略初始忆阻器重置脉冲可以显著减少训练时间和能量消耗。使用基于铬的忆阻器设计的硬件表现出优越的性能，实现了2.4秒的训练时间和18.9毫焦耳的能量消耗。这项研究为开发用于边缘应用的片上学习的鲁棒和能效高的基于忆阻器的神经网络提供了见解。

@@ 第1行： / 第1行： @@
-<!-- 不要移除下面第一行，如果有编辑错误，请直接修改第二行以后的内容 -->
+本文介绍了一种基于[[忆阻器]]的计算存储硬件加速器，用于片上训练和推理，重点关注其在设备变化、导电误差和输入噪声下的准确性和效率。
-<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17007v1/summary|action=edit}} 编辑]</div>
+利用商业可用的基于[[银]]的金属自定向通道（M-SDC）忆阻器的真实SPICE模型，研究将固有的设备非理想性纳入电路仿真中。
-== 研究背景 ==
+硬件由30个忆阻器和4个[[神经元]]组成，利用[[钨]]、[[铬]]和[[碳]]介质的三种不同的M-SDC结构执行二进制[[图像分类]]任务。
-David：我在脑海中展开分析，并在以下文字，完整、准确地且无任何前置或者后置的附加语句，给出研究背景作为最终答案……
+片上训练算法精确调整忆阻器导电性以实现目标权重。结果表明，训练期间加入适度噪声（<15%）可以增强对设备变化和噪声输入数据的[[鲁棒性]]，
-这篇论文的研究背景集中在Lane-Emden系统的非存在性问题上，这是一个在数学物理和偏微分方程领域具有重要意义的主题。具体来说，论文探讨了在半空间中定义的Lane-Emden系统的Dirichlet问题，该系统由两个耦合的非线性椭圆方程组成，形式为：
+即使在导电变化和输入噪声下也能实现高达97%的[[准确率]]。网络可以在不显著损失准确率的情况下容忍10%的导电误差。值得注意的是，
-\[
+在训练期间省略初始忆阻器重置脉冲可以显著减少训练时间和能量消耗。使用基于铬的忆阻器设计的硬件表现出优越的性能，
-\begin{cases}
+实现了2.4秒的训练时间和18.9毫焦耳的能量消耗。这项研究为开发用于[[边缘应用]]的[[片上学习]]的鲁棒和能效高的基于忆阻器的[[神经网络]]提供了见解。
--\Delta u = vp & \text{in } \mathbb{R}^n_+, \\
--\Delta v = uq & \text{in } \mathbb{R}^n_+, \\
-u = v = 0 & \text{on } \partial \mathbb{R}^n_+,
-\end{cases}
-\]
-其中 \( \mathbb{R}^n_+ \) 表示半空间 \( \{x \in \mathbb{R}^n : x_n > 0\} \)，\( p, q > 1 \)。作者们特别关注正古典解的不存在性，这些解在有限条带 \( \{x \in \mathbb{R}^n : 0 < x_n < R\} \) 上有界。这个问题的动机来自于著名的Gidas和Spruck的Liouville定理，该定理指出在全空间 \( \mathbb{R}^n \) 中，对于特定的指数 \( p \)，Lane-Emden方程没有解。对于Lane-Emden系统，研究者们已经考虑了不同的维度和指数范围，并探索了在何种条件下系统没有解。这项研究扩展了之前的结果，特别是在没有对解的全局有界性做出假设的情况下，证明了在半空间中，对于任意 \( p, q > 1 \)，系统(1.1)没有在有限条带上有界的正古典解。

WikiEdge:ArXiv-2408.17007v1/summary：修订间差异

2024年9月3日 (二) 07:04的最新版本

导航菜单

搜索