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。发表于：。本研究解决了基于忆阻器的计算内存硬件加速器在设备变化、导电误差和输入噪声条件下的准确性和效率问题。通过引入现实的SPICE模型，研究展示了一种调优忆阻器导电性的算法，显著提高了系统在不确定性下的鲁棒性，达到了高达97%的分类准确率。该研究的成果对开发高效能和能量优化的边缘计算应用具有重要意义。
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。
