减轻混合信号神经形态电路中的缺陷
摘要：非挥发性记忆体在存储模拟信息和高效实现神经计算方面的发展推动了神经形态计算的进步。然而，与大多数其他模拟电路一样，这些设备和电路容易出现诸如温度依赖性、噪声、调谐误差等问题，这经常导致神经网络实现中的性能严重下降。事实上，这些不完美是进一步发展和最终商业化这些技术的主要障碍。因此，应该开发一种实际可行的方法来处理这些非理想因素，释放非挥发性记忆体在神经形态系统中的全部潜力。首次，我们报道了两种模拟级记忆体（即被动集成电阻和重新设计的eFlash记忆体）中关键缺陷的全面表征。这两种记忆体具有长期保留、高耐久性、模拟存储、低功耗和紧凑的纳米尺度占地面积。然后，我们提出了一个全面的方法，该方法包括在训练、调谐算法、存储器状态优化和电路设计方面进行修改以减轻这些不完美。我们提出的方法在一个混合软件/实验框架上得到了验证，使用了两个基准测试：一个中等规模的卷积神经网络和在CIFAR-10和ImageNet数据集上训练的ResNet-18。我们提出的方法在推理过程中使存储器阵列的能耗提高了2.5倍到9倍，并在25-100°C温度范围内保持了小于1%的准确率下降。缺陷容忍度提高了100倍以上，并且在64x64的被动存储器交叉阵列中构建的深度神经网络中展示了小于1%的准确率下降，该交叉阵列具有25%的归一化开关阈值变化。
作者：Z. Fahimi, M. R. Mahmoodi, M. Klachko, H. Nili, H. Kim, and D. B. Strukov
论文ID：2107.04236
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2021-07-12