WikiEdge:ArXiv-2408.17007v1/methods

本文介紹了一種基於憶阻器的計算存儲硬件加速器，用於片上訓練和推理，重點關注其在設備變化、導電誤差和輸入噪聲下的準確性和效率。 利用商業可用的基於銀的金屬自定向通道（M-SDC）憶阻器的真實SPICE模型，研究將固有的設備非理想性納入電路仿真中。 硬件由30個憶阻器和4個神經元組成，利用鎢、鉻和碳介質的三種不同的M-SDC結構執行二進制圖像分類任務。 片上訓練算法精確調整憶阻器導電性以實現目標權重。結果表明，訓練期間加入適度噪聲（<15%）可以增強對設備變化和噪聲輸入數據的魯棒性， 即使在導電變化和輸入噪聲下也能實現高達97%的準確率。網絡可以在不顯著損失準確率的情況下容忍10%的導電誤差。值得注意的是， 在訓練期間省略初始憶阻器重置脈衝可以顯著減少訓練時間和能量消耗。使用基於鉻的憶阻器設計的硬件表現出優越的性能， 實現了2.4秒的訓練時間和18.9毫焦耳的能量消耗。這項研究為開發用於邊緣應用的片上學習的魯棒和能效高的基於憶阻器的神經網絡提供了見解。