WikiEdge:ArXiv-2408.17169v1/methods：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/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：
[[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]]，
1. 提出了一个针对无单元大规模多输入多输出（CF-mMIMO）系统中的主动窃听攻击的保护性部分零强制（PPZF）预编码方案。
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，
2. 构建了一个优化问题，目标是在保证每个接入点（AP）的最大传输功率和特定合法用户的服务质量（QoS）要求的同时，最大化被攻击用户的信噪比（SINR），同时限制窃听者的SINR。
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，
3. 使用路径跟踪算法解决优化问题。
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。
4. 提出了一种基于大规模的贪婪AP选择方案，以提高保密频谱效率（SSE）。
5. 提出了一种简单的方法来识别系统中窃听者的存在，并确定哪个用户受到攻击。
6. 通过仿真结果验证了所提出方法的有效性，并研究了不同系统参数对SSE性能的影响。

2024年9月3日 (二) 07:27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/methods&oldid=657”