基于memristor的人工神经网络的硬件实现

科学领域:

• * 材料科学 材料科学
• * 计算机工程 计算机工程
• * 人工智能 * 人工智能

背景情况:

• * 传统的·诺伊曼架构在数据密集型人工智能应用中面临数据通信带宽的限制.
• *像近内存计算这样的新兴计算范式提供了部分解决方案,但需要改变范式.
• * 超越CMOS技术的新产品Memristors为高效的人工智能硬件提供了一个有希望的解决方案.

研究的目的:

• * 审查基于硬件的记忆型人工神经网络 (ANN) 的最新进展.
• *详细介绍记忆型ANN的工作原理,设计选择和相关挑战.
• * 为进入记忆神经网络领域的研究人员提供一个全面的协议.

主要方法:

• * 对人工智能硬件的记忆器件的当前研究和开发进行审查.
• *对memristor设备物理和集成到神经网络架构的详细分析.
• * 讨论设计考虑因素,包括并行性,低功耗运行和性能指标估计.

主要成果:

• * 记忆器可以实现内存计算,将存储和处理结合起来,以克服·诺伊曼瓶.
• * 记忆型ANN的硬件实现显示出在能源效率和计算吞吐量方面显著增长的潜力.
• * 在制造,可变性和系统集成方面的实际挑战需要进一步的研究和开发.

结论:

• * 记忆技术是下一代节能的人工智能硬件的关键推动因素.
• * 对材料,设备设计和网络架构的整体理解对于实现实际的记忆ANN至关重要.
• *本综述是研究人员和专家在记忆神经网络领域的指南.