WikiEdge:ArXiv-2408.17265v1/summary：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
←上一编辑下一编辑→
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：
== 内容摘要 ==
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。
<!-- 不要移除下面一行，如果有编辑错误，请直接修改该行以后的内容 -->
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。
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17265v1/summary|action=edit}} 编辑]</div>
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。
这份文件是一篇关于混合物质-光子量子信息处理器中资源态生成的研究论文，论文的主要内容可以概括如下：
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. '''引言'''：介绍了量子计算的两种模型——门阵列模型和基于测量的模型，并讨论了光量子信息处理中测量基方法的优势和挑战。提出了基于融合的量子计算（FBQC）作为一种模块化架构，以及将融合概念应用于混合物质-光子系统的可能性。
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，
2. '''理论框架'''：详细描述了如何利用脉冲控制序列生成簇态，包括如何通过选择性π脉冲序列来调制不同段之间的自旋耦合，以保持近邻耦合并消除长程相互作用。介绍了如何使用复合脉冲和形状脉冲技术以及最优控制方法来设计鲁棒的脉冲序列。
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. '''例子'''：讨论了在四自旋和六自旋系统中实现脉冲簇态制备协议的具体形式，包括考虑位置不确定性的情况，并探讨了将该方案扩展到大约20个自旋的理想更大的自旋环系统的可行性。
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. '''潜在的实验实现'''：介绍了在金刚石中的氮空位（NV）中心系统中实现脉冲簇态制备方案的可能性，包括NV中心的简介、实际挑战、所需的相互作用哈密顿量以及如何开发宽带和选择性脉冲。
5. '''结论与展望'''：总结了所提出的方案，并讨论了其在构建基于物质-光子的量子计算架构、在固态自旋系统中构建量子寄存器以及扩展系统大小等方面的潜在应用。

2024年9月3日 (二) 08:04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-2408.17265v1/summary&oldid=689”