权重的回声状态图 基于坚固和长轴膜memristors的神经网络
Zhenqiang Guo1,2, Guojun Duan2, Yinxing Zhang2
1College of Physics Science & Technology, School of Life Sciences, Institute of Life Science and Green Development, Key Laboratory of Brain-Like Neuromorphic Devices and Systems of Hebei Province, Hebei University, Baoding, 071002, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|January 5, 2025
概括
强大的表轴记忆器可以实现高效的图形神经网络硬件. 这些设备为高级图形学习应用提供高速,低功耗和稳定的性能.
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:
- 图形神经网络 (GNN) 需要专门的硬件来有效处理图形结构数据.
- 现有的memristors经常患有不稳定的导电性,阻碍了可靠的GNN实现.
- 长轴膜记忆器具有高耐久性和低功耗的潜力.
研究的目的:
- 开发用于GNN硬件的强大且表轴性Gd:HfO2基薄膜记忆器.
- 使用这些memristor构建一个加权回声状态图神经网络 (WESGNN).
- 为了评估WESGNN的性能和能源效率,用于图形分类.
主要方法:
- 基于Gd:HfO2的坚固和表轴膜记忆器的制造.
- 将memristors集成到加权回声状态图神经网络 (WESGNN) 架构中.
- 使用MUTAG和COLLAB数据集进行图形分类任务的性能评估.
主要成果:
- 实现了具有高开关速度 (20 ns),低能耗 (2.07 fJ),4位多值存储和高耐久性 (10^9) 的memristor.
- 证明稳定的导电分布 (标准偏差 = 7.68 nS) 对于WESGNN重量调节至关重要.
- 在使用开发的WESGNN的图形分类任务中实现了最先进的性能.
结论:
- 坚固且高轴度的Gd:HfO2记忆器为GNN提供了可靠和节能的硬件解决方案.
- WESGNN架构有效地利用memristor属性进行高级图形学习.
- 这些发现为可扩展和高性能神经形态计算应用铺平了道路.
