WikiEdge:ArXiv-2408.17180v1/conclusion：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-2408.17180v1/conclusion|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。
== 主要结论与贡献 ==
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。
这篇论文的主要结论与贡献包括：
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]]，
1. 提出了两种新的衡量游戏平衡的指标：Top-D Diversity（顶级多样性）和Top-B Balance（顶级平衡性），这些指标超越了简单的胜率分析，考虑了对抗关系。
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. 开发了一种基于Bradley-Terry模型和神经网络的方法来预测团队组合的实力，并通过向量量化技术学习对抗表，以提高预测精度并减少计算复杂性。
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. 引入了一种新的损失函数VQ Mean Loss，以改善在小状态空间下的编码本利用率，这对于有效学习对抗表至关重要。
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. 通过实验验证了所提出方法在多个流行的在线游戏（如《帝国时代II》、《炉石传说》、《荒野乱斗》和《英雄联盟》）中的有效性，展示了与传统的成对胜率预测相当的准确性，同时提供了更好的分析可管理性。
5. 论文还探讨了如何将这些平衡度量应用于游戏平衡的实际调整，提供了对游戏设计者在平衡更新方面的指导，并讨论了平衡度量在游戏设计中的其他潜在应用，如体育、电影偏好、同伴评分和选举等竞争场景。

2024年9月3日 (二) 07:43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-2408.17180v1/conclusion&oldid=672”