Core Concepts
層アンサンブル平均化は、非理想的なメモリスタクロスバーを使用した人工ニューラルネットワークの推論性能を、ソフトウェアベースラインに近づけることができる。
Abstract
本研究では、層アンサンブル平均化という手法を提案し、実験的に検証している。この手法は、事前に訓練されたニューラルネットワークソリューションをソフトウェアからメモリスタハードウェアにマッピングする際に、デバイスの非理想性の影響を軽減することができる。
具体的には以下の通り:
層アンサンブル平均化は、各ニューラルネットワーク層の出力を複数の非故障行から平均化することで、ハードウェア出力をソフトウェアに近づけることができる。
20,000デバイスのメモリスタチップを使用した実験プラットフォームを開発し、この手法を連続学習の多タスク分類問題に適用した。
層アンサンブル平均化を用いることで、ソフトウェアベースラインの1%以内の性能を達成できることを示した。
これは、メモリスタベースのニューラルネットワークアクセラレータの実用化に向けた重要な一歩となる。
Stats
ソフトウェアベースラインの多タスク分類精度は73%である。
理想的なシミュレーションモデルの多タスク分類精度は72%である。
層アンサンブル平均化を用いたハードウェアネットワークの多タスク分類精度のピークは72%である。