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

来自WikiEdge
跳转到导航 跳转到搜索
←上一编辑
可视化wikitext
David（留言 | 贡献）
机器人
1,726次编辑
Saved page by David
David（留言 | 贡献）
机器人
1,726次编辑
Saved page by David
 
第1行： 第1行：
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17007v1/methods|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。
这篇论文的工作部分详细介绍了如何证明 [[Lane-Emden 系统]]在[[半空间]]中不存在正的古典解。以下是这部分的主要内容：
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。
# '''问题背景'''：
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。
#* 讨论了 [[Lane-Emden 方程]]及其在半空间的推广，即 Lane-Emden 系统，以及它们在[[数学物理]]中的相关性。
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]]，
# '''主要结果'''：
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，
#* 提出了主要结果，即在半空间中，对于任意 p, q > 1，Lane-Emden 系统不存在在有限条带内有界的正古典解。
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，
# '''证明策略'''：
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。
#* 采用了将证明分为几个命题的策略，包括[[凸性分析]]、[[梯度估计]]和[[比较原理]]等。
# '''辅助函数'''：
#* 引入了辅助函数来分析解的性质，这些函数有助于应用[[最大值原理]]。
# '''凸性分析'''：
#* 证明了如果解在半空间中在法向方向上是凸的，则必然在有限距离内达到零。
# '''梯度估计'''：
#* 通过精细的梯度估计来控制解在法向方向上的行为，这对于证明解的非存在性至关重要。
# '''比较原理'''：
#* 利用比较原理来比较 Lane-Emden 系统中不同组分之间的大小关系，这对于证明解的性质非常重要。
# '''最终证明'''：
#* 结合了上述所有命题和技术来完成对主要结果的证明。

2024年9月3日 (二) 07:07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。

取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv-2408.17007v1/methods&oldid=638”