基于忆阻器的贝叶斯机
摘要：基于存储器技术实现的神经网络在节能方面取得了显著的研究成果。然而，在高度不确定性、只能获得有限数据且需要可解释决策的极端应用场景中，神经网络可能不是一种可接受的智能形式。贝叶斯推理可以解决这些问题，但计算成本高，并且不像神经网络那样自然地转化为基于存储器的架构。在本研究中，我们介绍了一个用于高度节能效率的贝叶斯推理的贝叶斯机器，并在完全制备的混合CMOS-存储器系统上进行了实验验证和分析。通过将贝叶斯定律以分布式存储和随机计算的原则自然地实现，我们得到了机器的架构，使电路能够仅使用局部存储器和最小数据移动进行运算。在一个具有2,048个存储器和30,080个晶体管的小规模贝叶斯机器上的测量结果显示了这种方法的可行性，以及克服其设计所面临的挑战的可能性：存储器的固有缺陷，以及分布非常局部的高于标称供电电压的需求。机器的扩大版本的设计结果显示了其在真实的手势识别任务中卓越的能量效率：与使用微控制器单元相比，可以使用少于5000倍的能量来识别手势。贝叶斯机器还具有几个可取的特点，例如即时开关机操作，与低供电电压兼容，以及对单事件故障的抗干扰性。这些结果为在边缘处实现节能、稳健和可解释的智能提供了可能。
作者：Kamel-Eddine Harabi, Tifenn Hirtzlin, Cl''ement Turck, Elisa Vianello, Rapha"el Laurent, Jacques Droulez, Pierre Bessi`ere, Jean-Michel Portal, Marc Bocquet, Damien Querlioz
论文ID：2112.10547
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2021-12-21