WikiEdge:ArXiv-2408.17334v1/questions：修订间差异

2024年9月3日 (二) 08:19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： @@
-== 问题与动机 ==
+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。
-<!-- 不要移除下面一行，如果有编辑错误，请直接修改该行以后的内容 -->
+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。
-<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17334v1/questions|action=edit}} 编辑]</div>
+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。
-作者面对的是大脑皮层折叠模式形成的研究领域中，特别是在理解区域性生长如何影响大脑皮层折叠模式方面的挑战。具体问题包括：
+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]]，
-* 大脑皮层区域性生长对折叠模式的影响：以往的研究通常假设大脑生长是均匀的，但新发现表明大脑组织生长存在显著的区域性变化，这些变化在大脑皮层发育中的作用尚不清楚。
+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，
-* 计算模型在模拟大脑皮层折叠中的作用：尽管计算模拟为理解大脑皮层折叠的复杂时空模式提供了有力工具，但现有模型在模拟与实际大脑结构相比较时存在差异，尤其是在全脑模拟中。
+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，
-* 异质性生长在大脑皮层折叠模拟中的重要性：尽管有研究开始关注生长异质性对皮层折叠模式的影响，但这些研究主要关注空间异质性，并依赖于理想化的几何模型和手动定义的生长模式，与真实大脑场景存在显著偏差。
+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-2408.17334v1/questions：修订间差异

2024年9月3日 (二) 08:19的版本

导航菜单

搜索