一种利用器件失配的可训练神经形态集成电路
神经与进化计算
2015-07-13 v1
摘要
CMOS（互补金属氧化物半导体）技术向深亚微米尺度缩放所导致的随机器件失配会降低模拟电路的精度。克服这一问题的方法增加了设计的复杂性。我们开发了一种名为可训练模拟模块（TAB）的新型神经形态系统，该系统利用器件失配作为将输入随机投影到高维空间的手段。TAB 框架受生物神经系统中神经群体编码原理的启发。TAB 框架由三个神经元层构成，即输入层、隐藏层和输出层，其中隐藏层神经元的数量远超输入层神经元。本文展示了采用 65nm 工艺技术制造的首个 TAB 原型芯片的测量结果，并展示了其在各种回归任务中的学习能力。我们的 TAB 芯片利用制造过程中产生的固有随机性和变异性来执行各种学习任务。此外，我们对每个神经元进行了表征，并讨论了其调谐曲线因随机器件失配而产生的统计变异性，这一特性对于 TAB 的学习能力是可取的。我们还讨论了隐藏神经元数量和输出权重分辨率对 TAB 学习能力精度的影响。
引用
@article{arxiv.1507.02835,
title = {A Trainable Neuromorphic Integrated Circuit that Exploits Device Mismatch},
author = {Chetan Singh Thakur and Runchun Wang and Tara Julia Hamilton and Jonathan Tapson and Andre van Schaik},
journal= {arXiv preprint arXiv:1507.02835},
year = {2015}
}
备注
Submitted to TCAS-I