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

2024年9月3日 (二) 06:50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： @@
-```wikitext
+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。
-根据提供的文献内容，这篇论文的主要结论可以概括如下：
+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。
-# '''[[不存在性定理]]'''：论文证明了在[[半空间]]中的[[Lane-Emden系统]]对于任意的\( p, q > 1 \)，不存在在有限条带内有界的正古典解。这一非存在性结果之前仅在有界解或者在非线性项的幂次受到限制的情况下已知。
+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'''：论文的主要结果是定理1.1，它表明对于任意的\( p, q > 1 \)，问题（1.1）不具有任何在有限条带内有界的正古典解。这里所谓的有限条带是指集合\( \Gamma_R := \{x \in \mathbb{R}^n : 0 < x_n < R\} \)，其中\( R > 0 \)，并且古典解是指\( u, v \in C(\overline{\mathbb{R}^n_+}) \cap C^2(\mathbb{R}^n_+) \)的解。
+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'''：论文采用了一种新的证明策略，通过构造辅助函数和精细的迭代论证，来处理在\( x_n \)方向上增长速度任意快的解，而不依赖于解的全局有界性。
+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，
-这些结论对于理解和推进半空间中[[椭圆系统]]的非存在性理论具有重要意义。
+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-2408.17007v1/conclusion：修订间差异

2024年9月3日 (二) 06:50的最新版本

导航菜单

搜索