WikiEdge:ArXiv-2408.17007v1/terms：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/terms|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。
这篇文章的术语表如下：
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。
* [[Lane-Emden方程]]：一种非线性椭圆方程，形式为-Δu = u^p 在 R^n 中，其中 p > 1，是研究正则解和奇异解的重要方程。
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。
* [[Sobolev指数]]：在泛函分析中，Sobolev指数用于描述函数空间中的嵌入性质，与解的正则性相关。
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]]，
* [[Hamiltonian系统]]：一类守恒系统，其动力学由[[Hamiltonian]]描述，通常出现在物理和力学中。
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，
* [[Liouville定理]]：在偏微分方程中，Liouville定理通常指不存在非平凡正则解的结论。
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，
* [[半空间]]：在数学中，半空间是指由一个超平面分割出来的空间的一侧，例如 R^n 中 xn > 0 的集合。
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。
* [[比较原理]]：在偏微分方程中，如果两个解满足一定的边界条件和非负条件，那么它们之间的大小关系可以被比较。
* [[非线性椭圆系统]]：由多个非线性椭圆方程组成的系统，通常用来描述多个变量之间的复杂关系。
* [[边界Harnack不等式]]：在偏微分方程中，边界Harnack不等式提供了边界上解的渐近行为的估计。
* [[非存在性]]：在数学中，非存在性指的是某些条件下解不存在的性质，是研究解的存在性的重要方面。
* [[凸性]]：在数学中，凸性是指一个集合或函数在给定条件下，保持其形状或方向不变的性质。

2024年9月3日 (二) 07:09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/terms&oldid=639”