纯粹的自我纠正的基于memristor的被动横杆阵列用于人工神经网络加速器
Kanghyeok Jeon1,2, Jin Joo Ryu2,3, Seongil Im4
1Division of Materials Science and Engineering, Hanyang University, Seoul, 04763, Republic of Korea.
Nature communications
|January 3, 2024
概括
本研究介绍了一种自我纠正的memristor交叉条阵列 (CA),用于神经网络 (NN) 的硬件加速. 记忆器CA在NN分类任务中实现了100%的准确性,展示了实际的硬件加速潜力.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机工程 计算机工程
- 人工智能的人工智能
背景情况:
- 基于memristor的交叉阵列 (CA) 显示了加速神经网络 (NN) 计算的前景.
- 目前的研究主要局限于软件模拟,因为对memristor设备的可靠性存在担忧.
研究的目的:
- 开发和评估基于自我纠正的memristor的1 kilobit (kb) CA作为NNs的实用硬件加速器.
- 在各种条件下调查被动CA的性能和可靠性,包括缺陷耐受性和memristor特性.
主要方法:
- 实现完全基于硬件的单层NN分类,使用1kb的被动CA.
- 用修改的国家标准与技术研究所 (NIST) 数据库进行图像分类的测试.
- 分析CA的性能,考虑缺陷容忍度,memristor导电范围和选择功能.
主要成果:
- 在基于硬件的NN任务中使用开发的被动CA在1500个测试集上实现了100%的分类准确性.
- 证明了CA缺陷耐受性和memristor特性对图像分类性能的影响.
- 为memristor集成的被动CA的实际应用提供了经验证据.
结论:
- 自行纠正的基于memristor的被动CA是NN计算的可行的硬件加速器.
- 了解不同条件下的设备行为对于优化memristor CA性能至关重要.
- 这项工作验证了memristor CA在现实世界NN应用中的实际潜力.
