WikiEdge:ArXiv-2408.17428v1/questions：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：
== 问题与动机 ==
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-2408.17428v1/questions|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。
作者面对的领域研究问题是如何提高光学字符识别（OCR）技术在数字化历史印刷媒体档案，特别是报纸和期刊这类复杂布局文档中的准确性。具体问题包括：
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]]，
* OCR错误率高：由于报纸和期刊的复杂布局，传统的OCR技术在转换物理记录为数字文本时容易出错，这影响了档案的研究和使用质量。
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，
* 后OCR校正技术的改进：现有的后OCR校正方法，如众包校正或在线安全测试，存在效率和准确性的局限性，需要探索更有效的算法和技术。
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，
* 利用预训练语言模型进行OCR校正：研究者探索使用基于Transformer的预训练语言模型（LMs）进行后OCR校正的可能性，以及这些模型在提高OCR输出质量和下游自然语言处理（NLP）任务中的表现。
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。
* 社会文化背景信息在OCR校正中的作用：研究者试图了解在OCR校正过程中提供社会文化背景信息的价值，以及这是否能够进一步提升校正的准确性。

2024年9月3日 (二) 08:30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-2408.17428v1/questions&oldid=712”