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： @@
-<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17007v1/summary|action=edit}} 编辑]</div>
+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。
-这份文件是一篇关于半空间中[[Lane-Emden系统]]的数学研究论文，论文的主要内容可以概括如下：
+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。
-# '''引言与背景'''：介绍了[[Lane-Emden方程]]及其在半空间上的推广形式——Lane-Emden系统。特别关注了在半空间上定义的[[Dirichlet问题]]，以及之前关于解的有界性和非存在性的研究。
+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。
-# '''主要结果'''：证明了在半空间中，对于任意正的p, q > 1，Lane-Emden系统不存在在有限条带内有界定的正经典解。这一结果扩展了之前对有界解或在非线性项幂次有额外限制时的非存在性结果。
+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]]，
-# '''证明策略与辅助函数'''：详细阐述了证明的主要步骤和所使用的辅助函数，包括构造特定的辅助函数来分析解在法向方向上的凸性。
+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，
-# '''命题证明'''：分步骤证明了几个关键命题，包括解的法向导数的正性和有界性，以及利用[[比较原理]]和[[非线性最大值原理]]。
+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，
-# '''结论'''：总结了论文的主要发现，即在没有全局有界性假设的情况下，证明了Lane-Emden系统在半空间中有限条带上无正经典解的存在性。
+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。

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