Core Concepts
SOT-MRAM 기반 확률적 이진 신경망 시스템은 자원 절감과 하드웨어 소음 내성을 제공한다.
Abstract
이 연구는 SOT-MRAM(Spin-Orbit Torque Magnetoresistive Random-Access Memory) 기반의 확률적 이진 신경망(Probabilistic Binary Neural Network, PBNN)을 제안한다.
PBNN은 이진 가중치를 사용하여 경량 네트워크를 구축하고, 랜덤 이진 비트를 가중치 정보로 사용하여 입력 정보를 더 많이 유지할 수 있다. 이를 통해 제한된 샘플링 주기에서도 높은 분류 정확도를 달성할 수 있다. 또한 학습 및 추론 과정에 도입된 무작위성으로 인해 PBNN은 소음 내성 특성을 가지게 된다.
SOT-MRAM 디바이스는 열 요동에 의한 자화 전환 특성으로 인해 제어 가능한 확률 분포의 랜덤 가중치 행렬을 생성할 수 있다. 제안된 CIM(Computing-In-Memory) 아키텍처를 통해 확률적 벡터-행렬 곱셈(PVMM)과 이진화를 동시에 수행할 수 있다. 또한 랜덤 이진 셀의 효과를 활용하여 다비트 확률 정보를 전파할 수 있다.
SOT-MRAM 기반 PBNN 시스템은 MNIST 데이터베이스에서 10회 샘플링 주기로 97.78%의 분류 정확도를 달성하고, 전체 비트 연산 횟수를 기존 LeNet-5 네트워크 대비 6.9배 줄일 수 있다. 이는 저전력 소비와 제한된 계산 자원을 가진 애플리케이션에 적합한 신뢰성 있는 신경망 설계 방법을 제공한다.
Stats
PBNN 네트워크는 5.7백만 비트 곱셈 및 덧셈 연산을 수행하며, 이는 LeNet-5 구조의 전체 정밀도 CNN 네트워크 대비 비트 연산 횟수를 6.9배 줄일 수 있다.
Quotes
"PBNN 모델은 단 5 에폭 만에 98%를 초과하는 분류 정확도를 달성하고, 20 에폭 후 98.4%의 기준선에 수렴하여 빠른 학습 특성을 보인다."
"PBNN 시스템의 분류 정확도는 가중치 변동이 25% 이하일 때 거의 변화가 없으며, 가중치 변동이 50%까지 증가해도 90% 이상의 정확도를 유지한다."