基于随机电阻记忆的深极点学习机器用于统一的视觉处理
Shaocong Wang1,2,3, Yizhao Gao1, Yi Li1,2,4,5
1Department of Electrical and Electronic Engineering, The University of Hong Kong, Hong Kong, China.
Nature communications
|January 22, 2025
概括
本研究介绍了一种新的深度极端点学习机器,使用硬件-软件联合设计和随机电阻记忆. 它实现了与智能机器相似的精度,显著降低了智能机器的能源效率和培训成本.
科学领域:
- 人工智能的人工智能
- 计算机工程 计算机工程
- 材料科学 材料科学 材料科学
背景情况:
- 边缘智能机器越来越多地使用多种视觉传感器 (例如,3D LiDAR,神经形态DVS,摄像头),导致数据异质性和系统复杂性.
- 传统的数字硬件面临来自·诺伊曼瓶和晶体管缩放的局限性,加之是大型AI模型的计算需求.
研究的目的:
- 提出一个硬件和软件共同设计的深度极限点学习机器,解决数据异质性和硬件约束.
- 为了利用纳米级电阻性内存进行集成的内存和处理,利用固有的随机性来产生随机权重.
主要方法:
- 将统一的多感官数据整合到一个通用的点集中进行处理.
- 实施了一种软件方法,使大多数重量免于训练.
- 利用纳米级电阻内存用于内存计算和随机权重生成.
主要成果:
- 在3D细分,事件识别和图像分类任务上验证了系统.
- 实现了与传统系统相提并论的准确性.
- 显著提高能源效率 (6.78×21.04×) 和降低培训成本 (70.12%89.46%).
结论:
- 拟议的硬件-软件联合设计方法有效地处理边缘AI的异质传感器数据.
- 基于随机电阻内存的系统为实现更高效和更具成本效益的智能机器提供了一条道路.
