WikiEdge:ArXiv-2408.17169v1/background：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
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-2408.17169v1/background|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。
== 研究背景 ==
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。
Cell-free massive MIMO (CF-mMIMO) 被视为下一代无线网络的有前途技术之一。通过打破蜂窝边界的概念，部署大量地理分布的接入点 (APs)，并在相同的时间和频率资源上协同服务用户，它利用了包括大规模 MIMO、分布式天线系统和协调多点联合传输在内的最新技术的所有优势。CF-mMIMO 系统将 APs 地理上更接近用户，因此可以为所有用户提供无缝且无需切换的服务。这种分布式基础架构虽然在高频谱效率 (SE) 下实现了无处不在的覆盖，但也增加了 CF-mMIMO 对恶意窃听者的脆弱性，尤其是当 APs 和用户数量增长时。由于 APs 在覆盖区域内密集分布，APs 与用户或潜在窃听者之间的距离缩短，这可能增加了机密信息泄露的风险。因此，针对窃听和网络物理攻击保护 CF-mMIMO 的安全具有重要的实际意义。窃听通常分为两种主要范式：1) 被动窃听和 2) 主动窃听。在被动窃听中，窃听者在不发送任何试点或干扰信号的情况下静静地监听 APs 与目标合法用户之间的信息传递，而在主动窃听中，主动窃听者通过发送干扰信号和/或发送欺骗性试点序列来干预通信。在试点欺骗攻击中，感兴趣的用户的上行链路试点训练阶段将受到主动窃听者的攻击。具体来说，由于试点序列是公开可用的并且遵循标准化，恶意窃听者有能力主动传输欺骗性试点序列，这导致试点污染攻击，从而造成信息泄露。已经表明，主动窃听攻击的不利影响比被动攻击更为有害。近年来，在大规模 MIMO 系统中实施物理层安全技术方面引起了大量研究兴趣。特别是，已经提出了各种方法来检测主动试点欺骗攻击。此外，作者们还寻求通过使用合作干扰和人工噪声来降低窃听率，或者通过资源分配技术和波束成形设计来加强合法链路，从而增强大规模 MIMO 系统的安全性。然而，在安全的 CF-mMIMO 系统的背景下，只有少数几项近期工作。特别是，Timilsina 等人推导了在主动试点攻击下 CF-mMIMO 的保密频谱效率 (SSE) 表达式，并将其与共位大规模 MIMO 系统进行了比较。对于相同的系统设置，作者们讨论了功率分配问题，要么最大化被攻击合法用户的可达速率，要么最大化可达 SSE。后来，作者们研究了硬件损伤对 CF-mMIMO 网络在试点欺骗攻击下的 SSE 的影响。此外，还研究了在主动窃听下联合功率和数据传输的问题。然而，当前研究倾向于研究具有单天线 APs 的 CFmMIMO 系统的保密性能，而当在 APs 部署多个天线时，CF-mMIMO 可以更好地利用蜂窝大规模 MIMO 的信道硬化效应。因此，最近的工作研究了在主动窃听下多天线 CF-mMIMO 网络的保密性能，但他们只关注了简单的最大比传输 (MRT) 预编码方案，该方案无法减轻用户间干扰。因此，提供分析框架以表征在主动窃听下应用更先进的分布式预编码技术的 CF-mMIMO 的保密性能是至关重要的，也是本文的一个主要目标。
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。

2024年9月3日 (二) 07:25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-2408.17169v1/background&oldid=655”