BriefGPT - AI 论文速递
·
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。
📝
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，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。
🎯
关键要点
-
本研究利用memristive和memcapacitive交叉阵列提供了深度神经网络的共同设计框架。
-
该模型采用混合Python和PyTorch方法，考虑了各种非理想因素。
-
在8层VGG网络上对CIFAR-10数据集进行训练，获得了90.02%和91.03%的准确率。
-
引入了一种使用运算跨导放大器和电容器模拟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显示meminductor模拟器功耗为0.337 mW。
-
在神经形态电路和CNN加速器中验证了该方法，训练和测试准确率分别为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。
➡️
