一种用于固有容错神经形态系统的高能效混合信号神经元
新兴技术
2018-05-07 v1 人工智能
硬件体系结构
摘要
本工作提出了一种用于卷积神经网络(CNN)的混合信号神经元(MS-N)的设计与分析，并将其在工作频率、功耗和噪声方面的性能与数字神经元(Dig-N)进行比较。MS-N在65 nm CMOS工艺下的电路级实现，在神经形态计算应用中展现出比Dig-N高2-3个数量级的能效——尤其是在低频下，这是由于Dig-N中众多晶体管的高漏电流所致。CNN固有的容错性被用来处理MS-N的热噪声和闪烁噪声。基于MNIST和CIFAR-10数据集、采用协同电路-算法框架的系统级分析表明，当带宽内积分噪声功率约为 1 {\mu}V2 时，MNIST的最坏情况分类误差增加了3%。
引用
@article{arxiv.1710.09012,
title = {An Energy-Efficient Mixed-Signal Neuron for Inherently Error-Resilient Neuromorphic Systems},
author = {Baibhab Chatterjee and Priyadarshini Panda and Shovan Maity and Kaushik Roy and Shreyas Sen},
journal= {arXiv preprint arXiv:1710.09012},
year = {2018}
}
备注
Accepted in IEEE International Conference on Rebooting Computing (ICRC), 2017