通过马尔可夫链蒙特卡罗抽样在原位学习利用内在电阻式存储变异性
摘要：在内存中机器学习的研究中，目前的方法主要关注模型和算法的实现，但这些方法无法与阻性存储器的真正物理特性相一致。因此，我们选择了更合适的机器学习模型和算法，并接受阻性存储器的真实特性。我们在一个由16,384个设备组成的阵列上实现了一个马尔可夫链蒙特卡罗采样算法，作为贝叶斯机器学习模型。该算法通过利用设备的周期间导电率变化作为随机变量来实现。我们通过实验证明，内存阵列可以进行有监督学习和恶性乳腺组织识别任务，准确率达到96.3％。然后，通过使用在阵列级别测量后校准的阻性存储器行为模型，我们将相同的方法应用于Cartpole强化学习任务。在所有情况下，我们提出的方法均优于使用相同数量的存储元素的基于软件的神经网络模型。这一结果为与真实阻性存储器技术相匹配的内存中机器学习打下了基础，这将为智能边缘计算系统带来本地化学习能力。
作者：Thomas Dalgaty, Niccolo Castellani, Damien Querlioz, Elisa Vianello
论文ID：2001.11426
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2020-01-31