핵심 개념
Ein SOT-MRAM-basiertes probabilistisches binäres neuronales Netzwerk (PBNN) für ressourcensparende und hardwarerauschtolerante Anwendungen.
초록
Der Artikel präsentiert ein SOT-MRAM-basiertes probabilistisches binäres neuronales Netzwerk (PBNN) für ressourcensparende und rauschtolerantere Anwendungen:
Das PBNN verwendet zufällige binäre Bits als Gewichtsinformation, um mehr Eingabedetails beizubehalten und mit begrenzten Abtastzyklen hohe Klassifizierungsgenauigkeiten zu erzielen.
Die Verwendung von SOT-MRAM-Geräten ermöglicht die Erzeugung von Zufallsbitströmen mit kontrollierbarer Wahrscheinlichkeitsverteilung, was für die Implementierung des PBNN-Konzepts entscheidend ist.
Das vorgeschlagene CIM-Architekturdesign ermöglicht die gleichzeitige Ausführung der probabilistischen Vektor-Matrix-Multiplikation (PVMM) und der Binarisierung, was die Effizienz des Systems erhöht.
Die Simulationsergebnisse zeigen, dass das SOT-MRAM-basierte PBNN-System eine Klassifizierungsgenauigkeit von 97,78% auf der MNIST-Datenbank bei einer Gewichtsvarianz von 7,01% erreicht und die Anzahl der Bit-Rechenoperationen um den Faktor 6,9 im Vergleich zu einem vollpräzisen LeNet-5-Netzwerk reduziert.
통계
Das SOT-MRAM-basierte PBNN-System erreicht eine Klassifizierungsgenauigkeit von 97,78% auf der MNIST-Datenbank bei einer Gewichtsvarianz von 7,01%.
Die Anzahl der Bit-Rechenoperationen wird um den Faktor 6,9 im Vergleich zu einem vollpräzisen LeNet-5-Netzwerk reduziert.
인용구
"Unser Ansatz bietet einen überzeugenden Rahmen für den Entwurf zuverlässiger neuronaler Netzwerke, die auf Anwendungen mit geringem Stromverbrauch und begrenzten Rechenressourcen zugeschnitten sind."