BriefGPT - AI 论文速递
·
基于忆阻器的神经网络芯片内学习：评估设备变化、导电误差和输入噪声下的准确性和效率
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本研究提出了一个综合的深度神经网络设计框架，利用memristive和memcapacitive交叉阵列在低功耗机器学习加速器中应用。实验结果表明，使用memristive和memcapacitive交叉阵列的训练准确率分别达到90.02%和91.03%。研究还引入了一种新方法，使用运算跨导放大器和电容器模拟meminductor设备，实现了可调节的行为。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
-
本研究提出了一个综合的深度神经网络设计框架，利用memristive和memcapacitive交叉阵列。
-
该框架应用于低功耗机器学习加速器，采用混合Python和PyTorch方法实现。
-
在8层VGG网络上，对CIFAR-10数据集的训练准确率分别达到90.02%和91.03%。
-
研究引入了一种新方法，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。
-
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。
➡️
