基于嵌入式180纳米浮栅存储器阵列的混合信号电路中，亚1微秒和亚20纳焦耳模式分类
摘要：设计、制造和成功测试了一个混合信号的原型神经形态网络。该网络为28x28二进制输入、10输出、三层结构的多层感知机。它基于来自商用180纳米NOR闪存的嵌入式非挥发性浮动栅电路阵列进行重新设计。该阵列可以精确地调整所有存储单元的模拟电平，具有长期的模拟电平保持和低噪声。每个阵列执行非常快速和高效的模拟向量-矩阵乘法，这在大多数神经形态网络中是信号传播的瓶颈。原型电路的所有功能组件，包括两个带有101,780个浮动栅突触单元的突触阵列、74个模拟神经元以及用于权重调整和I/O操作的外围电路，总面积小于1 mm^2。在常见的MNIST基准测试集上的测试（在此阶段，权重精度相对较低）显示出94.65%的分类准确度，接近96.2%的模拟结果。对于一个模式的分类只需要不到1微秒的时间和约20纳焦的能量，这两个数字都比相同任务的数字实现要好得多。估计表明，通过采用更好的神经元设计和更先进的存储技术，这种性能可能进一步提高，使得在对大型、复杂模式进行分类时，与最先进的纯数字（GPU和定制）电路相比，速度优势可达到10^2以上，能量效率优势可达到10^4以上。
作者：F. Merrikh Bayat, X. Guo, M. Klachko, M. Prezioso, K. K. Likharev, and D. B. Strukov
论文ID：1610.02091
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2016-10-12