WikiEdge:ArXiv-2408.17334v1/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：
== 研究方法 ==
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-2408.17334v1/methods|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。
这篇研究论文的工作部分详细介绍了如何开发和评估数据驱动的区域增长模型在模拟大脑皮层折叠模式中的作用。以下是这部分的主要内容：
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. **区域增长模型的开发**：
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，
- 利用机器学习辅助的符号回归，基于超过1000个婴儿的MRI扫描数据，开发了典型皮层区域的生长模型。这些数据捕捉了围生期和产后大脑发育期间的皮层表面积和厚度。
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，
2. **计算模拟**：
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。
- 将生长模型整合到计算软件中，使用解剖学上真实的几何模型来模拟皮层发育。通过模拟，量化了产生的折叠模式，使用平均曲率、沟深度和沟回指数等指标进行评估。
3. **模型比较**：
- 将区域增长模型生成的复杂大脑折叠模式与实际大脑结构进行了定量和定性比较，与均匀增长模型相比，区域增长模型更接近真实大脑结构。
4. **多区域模型的构建**：
- 构建了包含三个具有不同生长模式的区域的多区域模型，以提供比单区域模型更真实的折叠结果。
5. **模拟与实际大脑成像数据的比较**：
- 使用从实际大脑成像数据中测量的定量指标，如平均曲率、沟深度和沟回指数，来验证模拟结果的有效性。

2024年9月3日 (二) 08:20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-2408.17334v1/methods&oldid=699”