BriefGPT - AI 论文速递
·
基于记忆元件的神经形态硬件在神经网络应用中的研究
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
本研究使用memristive和memcapacitive交叉阵列在低功耗机器学习加速器中实现了深度神经网络的共同设计框架。通过混合Python和PyTorch方法，在8层VGG网络上对CIFAR-10数据集进行训练，实现了卓越的准确率。此外，引入了一种新方法，使用OTA和电容器模拟meminductor设备，展示了可调节的行为。在晶体管级仿真和神经形态电路和CNN加速器中进行验证，取得了高准确率。该研究为高效和高性能的机器学习应用提供了先进的硬件解决方案。
🎯
关键要点
- 本研究利用memristive和memcapacitive交叉阵列在低功耗机器学习加速器中实现深度神经网络的共同设计框架。
- 模型采用混合Python和PyTorch方法，在8层VGG网络上对CIFAR-10数据集进行训练，取得90.02%和91.03%的准确率。
- 引入了一种使用运算跨导放大器(OTA)和电容器模拟meminductor设备的新方法，展示了可调节的行为。
- 在60 MHz下，180 nm CMOS技术的晶体管级仿真表明meminductor模拟器的功耗为0.337 mW。
- 在神经形态电路和CNN加速器中验证后，训练和测试准确率分别达到了91.04%和88.82%。
- 仅使用MOS晶体管确保了单片IC制造的可行性，为高效和高性能的机器学习应用提供了先进的硬件解决方案。
🏷️
标签
➡️
