用于神经网络训练与推理的混合 FeMFET-CMOS 模拟突触电路
新兴技术
2020-04-03 v1
摘要
提出了一种基于铁电金属场效应晶体管（ferroelectric-metal field-effect transistor, FeMFET）的模拟突触电路，可提供 6 位权重精度。该电路由仅用于训练的易失性最低有效位（LSB）以及用于训练和推理的非易失性最高有效位（MSB）组成。该设计工作于 1.8V 逻辑兼容电压，提供 10^10 次 endurance 周期，且仅需 250ps 更新脉冲。采用所提突触训练的 LeNet 变体在 MNIST 上达到 98.2% 准确率，仅比具有相同位精度的同一网络的理想实现低 0.4%。此外，与最先进的混合突触电路相比，所提突触在面积上提升达 26%、漏功率上达 44.8%、LSB 更新脉冲宽度上达 16.7%，endurance 周期上提升两个数量级。我们提出的突触可扩展至 8 位设计，使类 VGG 网络在 CIFAR-10 上达到 88.8% 准确率（仅比同一网络的理想实现低 0.8%）。
引用
@article{arxiv.2004.00703,
title = {A Hybrid FeMFET-CMOS Analog Synapse Circuit for Neural Network Training and Inference},
author = {Arman Kazemi and Ramin Rajaei and Kai Ni and Suman Datta and Michael Niemier and X. Sharon Hu},
journal= {arXiv preprint arXiv:2004.00703},
year = {2020}
}
备注
Accepted at ISCAS'20 for oral presentation