映射变换(MT)方法来减轻Stuck-at-Fault (SAF)缺陷memristor-based款。
文摘:
“当深层神经网络(款)是广泛用于边缘AI(人工智能),例如,物联网(物联网)和自主车辆,它使CMOS(互补金属氧化物半导体)的传统计算机遭受过大的计算负荷。Memristor-based设备正在成为一个选项来进行计算内存款让他们更快,更节能,准确。尽管拥有优良性能,memristor-based款尚未商业化,因为Stuck-At-Fault (SAF)缺陷。一个映射变换(MT)方法提出了减轻Stuck-at-Fault (SAF)缺陷memristor-based款。第一,重量分布与CIFAR10 VGG8模型数据集提出和分析。然后,MT方法用于恢复推理精度在0.1%到50% SAFs两个典型案例,SA1(在大巴上被一动不动地堵上):SA0(一直维持在零水平)= 5:1 1:5,分别。实验结果表明,MT方法可以恢复款原有的推理精度(90%)当SAFs的比例小于2.5%。此外,即使在极端条件下SAF 50%,它仍然是高效的推理精度恢复到80%和21%。更重要的是,MT方法作为监管机构,以避免能源所产生的开销和延迟SAFs。最后,MT的免疫方法对非线性研究,我们得出这样的结论:MT方法可以受益的准确性,能源,甚至延迟和高非线性LTP = 4 =−4。”
找到开放获取技术论文链接在这里。2022年2月出版。
Oli-Uz-Zaman m;汗,S.A.;元,g;廖,z;傅,j .;叮,c;王,y;王,j .映射变换使高性能和低能耗Memristor-Based款。j .低功率电子。12:。2022年,10。 https://doi.org/10.3390/jlpea12010010.
访问半导体工程的这里的技术论文库和发现更多的芯片行业学术论文。
留下一个回复