埃因霍温理工大学、德黑兰大学和南加州大学的研究人员发表了一篇题为“ReMeCo:可靠的基于忆阻器的记忆神经形态计算”的技术论文。
文摘:
“基于忆阻器的内存神经形态计算系统承诺高效实现向量矩阵乘法，通常用于人工神经网络(ann)。然而，不成熟的忆阻器制造工艺和电路级别的限制，即卡在故障(SAF)， ir下降和设备到设备(D2D)的变化，降低了这些平台的可靠性，从而阻碍了它们的广泛部署。在本文中，我们提出了ReMeCo，一个基于冗余的可靠性改进框架。它在限制诱导开销的同时解决了非理想性问题。它通过对人工神经网络进行灵敏度分析来实现这一目标。通过获得的洞察力，ReMeCo避免了最少的冗余计算敏感的神经元和层。ReMeCo使用启发式方法在恢复精度和施加的开销之间找到平衡。ReMeCo通过利用位切片技术进一步降低了硬件冗余。此外，该框架在每个神经网络层的输出处采用集成平均方法来合并冗余神经元。ReMeCo的有效性使用两个著名的ANN模型，即LeNet和AlexNet，运行MNIST和CIFAR10数据集进行评估。我们的结果显示，98.5%的准确度恢复，大约4%的冗余，比最先进的技术低20倍以上。”
找到这里是技术文件．1月23日出版。
Ali BanaGozar, Seyed Hossein Hashemi Shadmehri, Sander Stuijk, Mehdi>
Kamal, Ali Afzali-Kusha, Henk Corporaal, 2023年。ReMeCo:可靠
基于忆阻器的记忆神经形态计算。在28亚洲和
南太平洋设计自动化会议(ASPDAC ' 23)， 1月16日至19日，
2023年，日本东京。ACM，纽约，纽约，美国，6页。https://doi.org/10。
1145/3566097.3567889
留下回复