AI边缘计算的动力：具有近存储计算和微型太阳能电池的强大、基于忆阻器的二值化神经网络
摘要：基于忆阻器的神经网络为人工智能提供了一种出色的能源高效平台，在与能量收集器配对时可以实现自供电操作的可能性。然而，大多数基于忆阻器的网络都依赖于模拟的内存计算，需要稳定和精确的电源供应，这与固有的不稳定和不可靠的能量收集器不兼容。在这项工作中，我们制造了一个由32,768个忆阻器构成的坚固的二进制神经网络，其由针对边缘应用优化的微型宽禁带太阳能电池提供电源。我们的电路采用了一种具有弹性的数字近内存计算方法，采用互补编程的忆阻器和逻辑-增益放大器。这种设计消除了对补偿或校准的需求，在各种条件下有效运行。在高照明下，该电路实现了与实验室台式电源相当的推理性能。在低照度场景下，它仍然具有稍微降低的准确性的功能，平滑过渡到近似计算模式。通过图像分类神经网络模拟，我们证明在低照明下被错误分类的图像主要是难以分类的情况。我们的方法为自供电的人工智能奠定了基础，为健康、安全和环境监测等各种应用领域的智能传感器的创建奠定了基础。
作者：Fadi Jebali, Atreya Majumdar, Cl''ement Turck, Kamel-Eddine Harabi, Mathieu-Coumba Faye, Eloi Muhr, Jean-Pierre Walder, Oleksandr Bilousov, Amadeo Michaud, Elisa Vianello, Tifenn Hirtzlin, Franc{c}ois Andrieu, Marc Bocquet, St''ephane Collin, Damien Querlioz, Jean-Michel Portal
论文ID：2305.12875
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2023-05-23