WikiEdge:ArXiv-2408.17105v1/methods：修订间差异

2024年9月3日 (二) 07:19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。

@@ 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-2408.17105v1/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通过引入和利用特定的“cherry-picking sequences”（樱桃采摘序列）来表征有根和无根的树-子网络。作者首先定义了树-子网络，并提出了一种新的方法来表征这些网络，即通过反复应用两种减少操作到叶子上，将网络简化为单个顶点。这种方法不仅适用于有根的树-子网络，还扩展到了文献中较少探讨的无根树-子网络。此外，论文还探讨了如何使用这种表征来解决决定一个无根系统发育网络是否可以定向为有根树-子网络的计算复杂性问题。具体来说，作者定义了满足两个额外属性的特定类型的cherry-picking序列，并使用这些序列来表征有根和无根的树-子网络。通过这种方式，论文为理解和分析系统发育网络提供了新的视角，并为解决相关的计算问题提供了可能的新途径。
+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。

WikiEdge:ArXiv-2408.17105v1/methods：修订间差异

2024年9月3日 (二) 07:19的版本

导航菜单

搜索