利用局部接口记忆器的可调性来有效处理复杂的神经网络
Eng Kang Koh1,2, Putu Andhita Dananjaya1, Lingli Liu1
1School of Physical and Mathematical Sciences, Nanyang Technological University, 21 Nanyang Link, Singapore 637371, Singapore.
ACS nano
|October 19, 2024
概括
一个新的可扩展的memristor设备通过利用波动来控制接口切换,实现高效的神经形态计算. 这种可靠的,不易挥发的元素在复杂的数据集上表现出强大的性能,推进了生物启发的计算架构.
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
- 神经科学是一个神经科学.
背景情况:
- 电阻切换memristors对于神经形态计算至关重要.
- 现有的memristors面临着噪音,挥发性和可扩展性的挑战.
- 为了控制切换,利用memristor的波动性是一个活跃的研究领域.
研究的目的:
- 开发一个可扩展 (<130 nm) 的memristor,具有线程和接口交换能力.
- 为了利用和控制memristors固有的波动性,以提高功能.
- 为了评估memristor在神经形态应用的复杂数据集上的性能.
主要方法:
- 制造一个多层的memristor结构以提高稳定性.
- 切换行为的特征,包括丝状和接口模式.
- 使用MNIST,时尚MNIST,CIFAR-10和CIFAR-100数据集进行监督和无监督学习的绩效评估.
- 可靠性测试包括耐力测试 (15M周期,1M脉冲) 和保留测试 (85°C10^4秒).
主要成果:
- 一个可扩展的memristor (<130nm) 展示了线程和接口切换成功开发.
- 该设备显示出高可靠性,超过1500万个周期 (丝状) 和100万个脉冲 (接口).
- 在复杂的数据集 (MNIST,时尚MNIST,CIFAR-10,CIFAR-100) 上观察到出色的性能,偏差很小 (<4%的监督,<7%的无监督).
结论:
- 开发的memristor有效地利用波动来控制接口切换,这对于神经形态计算至关重要.
- 该设备表现出高稳定性,可靠性和CMOS兼容性,使其适用于非挥发性内存应用.
- 记忆器在各种数据集上的强大性能突出显示了它在高效,生物启发的计算架构方面的潜力.
