WikiEdge:ArXiv-2408.17050v1/methods：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
←上一编辑下一编辑→
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：
<!-- 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-2408.17050v1/methods|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。
== 工作方法 ==
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。
这篇论文的主要工作方法是：
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]]，
1. 建立并分析了一个安全的集成感知和通信（ISAC）场景下的信道模型，该模型涉及一个状态依赖的窃听信道，其中一个合法接收器和诚实但好奇的目标（即窃听者）。
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，
2. 利用了具有相关瑞利衰落系数的两个状态依赖的快速衰落信道模型，以及独立的加性高斯噪声分量。
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，
3. 通过将延迟的信道输出反馈给发射器，以提高通信性能并估计信道状态序列。
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。
4. 针对相关瑞利衰落下的降级安全ISAC信道，建立了一个可实现的保密-失真区域，并评估了大量参数的内部界限，以得出安全ISAC方法的实际设计见解。
5. 特别地，论文中包括了参数范围，这些参数范围超过了经典窃听信道设置的保密容量，并接近了信道容量。
6. 通过使用高斯信道输入，推导出了随机降级安全ISAC信道在双变量瑞利衰落下的可实现速率区域，并从涉及的微分熵中导出了积分表达式，这些表达式适用于简化和稳定的数值评估。
7. 基于评估结果，提出了包括保密-失真区域在内的见解，并提供了准确的近似值，这些近似值允许进行易于计算的数值评估。

2024年9月3日 (二) 06:55的版本

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-2408.17050v1/methods&oldid=631”