基于电阻性RAM的三值神经网络的低功耗内存实现
摘要：用于实现低精度神经网络的系统设计是降低人工智能能源消耗的主要方法。多项研究已经提出了在内存中实现低功率二值化神经网络的架构。这些简单的神经网络，其中突触权重和神经元激活采用二进制值，确实能够在视觉任务上接近最先进的性能。在这项工作中，我们重新审视了一种采用不同方式实现突触的架构，以减少位错误，并且使用预充电感应放大器读取突触权重。根据在混合130纳米CMOS / RRAM芯片上的实验测量和电路模拟，我们展示了相同的存储器阵列架构可以用于实现三值权重而不是二值权重，并且如果感应放大器在临界值附近工作，则该技术特别适用。我们还基于对CIFAR-10图像识别任务的神经网络模拟结果表明，从二值到三值神经网络的转变显著提高了神经网络的性能。这些结果突出显示，在低功率工作模式下，人工智能电路的工作方式有时可能需要重新审视。
作者：Axel Laborieux, Marc Bocquet, Tifenn Hirtzlin, Jacques-Olivier Klein, Liza Herrera Diez, Etienne Nowak, Elisa Vianello, Jean-Michel Portal and Damien Querlioz
论文ID：2005.01973
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2020-05-06