层次集成平均以提高基于忆阻器的人工神经网络性能
原文中文，约500字，阅读约需2分钟。发表于：。这项研究提出并实验性地展示了一种层集成平均的技术，通过将预先训练的神经网络解决方案从软件映射到有缺陷的硬件交叉栅极存储器上，可可靠地达到接近软件性能的推理表现。研究结果表明，通过牺牲层映射所需的设备数量，层集成平均可以可靠地提升缺陷忆阻网络的性能，与软件基准相比，多任务分类准确率从 61% 提高到 72%（不到软件基准的 1%）。
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，并在8层VGG网络上对CIFAR-10数据集进行训练，获得了卓越的准确率。此外，通过引入一种新方法，使用运算跨导放大器和电容器模拟meminductor设备，展示了可调节的行为。通过晶体管级仿真和神经形态电路和CNN加速器的验证，证明了该方法的可行性和高性能。这项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。
