面向边缘计算神经形态硬件的磁隧道结设计
应用物理
2024-09-05 v1 新兴技术
摘要
稳健且可扩展的磁隧道结(MTJ)的电可读复杂动力学为推进神经形态计算提供了广阔前景。在这项工作中，我们提出了一种具有自由层和两个极化层的MTJ设计，能够在器件层面计算sigmoid激活函数及其导数。这种设计使得单个器件能够同时执行前向传播和反向传播计算，通过直接在硬件中实现反向传播，扩展了先前文献中探索的神经形态计算框架。我们的算法实现揭示了两个关键发现：(i) MTJ生成的曲线与精确软件生成的曲线之间的微小差异对反向传播算法的性能影响可忽略不计；(ii) 该器件实现对于器件间的变化和噪声具有高度鲁棒性；(iii) 所提出的方法有效支持迁移学习和知识蒸馏。为了验证这一点，我们使用来自软件训练模型的权重，在我们的MTJ设计上评估了边缘计算网络的性能。结果显示，与原始软件实现相比，对于Fashion MNIST数据集，精度损失仅为0.1%，对于CIFAR-100数据集，精度损失为2%。这些结果突显了我们的MTJ设计在边缘计算应用中构建紧凑型硬件神经网络的潜力，尤其是在迁移学习场景中。
引用
@article{arxiv.2409.02528,
title = {A design of magnetic tunnel junctions for the deployment of neuromorphic hardware for edge computing},
author = {Davi Rodrigues and Eleonora Raimondo and Riccardo Tomasello and Mario Carpentieri and Giovanni Finocchio},
journal= {arXiv preprint arXiv:2409.02528},
year = {2024}
}
备注
18 pages, 5 figures