在模拟硬件神经网络片上学习中比较畴壁突触与其他非易失性存储器器件
应用物理
2019-10-30 v1 材料科学
神经与进化计算
摘要
阻变随机存取存储器（RRAM）与相变存储器（PCM）器件已广泛用于基于交叉阵列的模拟神经网络（NN）电路中作为突触，以相比传统计算机实现更高能效与更快的数据分类。在此我们展示了最近提出的自旋轨道转矩驱动的畴壁（DW）器件作为突触，相较于 RRAM 与 PCM 器件，在此类 NN 的片上学习（硬件中训练）方面的优势。我们通过微磁建模获得的 DW 突触的突触特性，比 RRAM 与 PCM 突触的线性与对称性（正、负更新之间）要好得多。这使得基于 DW 突触的 NN 中用于片上学习的外围模拟电路设计比基于 RRAM 与 PCM 突触的电路容易得多。我们接着将 DW 突触作为 Verilog-A 模型纳入我们在 SPICE 电路模拟器上设计的交叉阵列基 NN 电路。通过对流行的 Fisher's Iris 数据集的 SPICE 模拟，展示了成功的片上学习。与基于 RRAM 和 PCM 突触的 NN 电路相比，基于 DW 突触的 NN 电路所需的学习时间与能量低了数个量级。
引用
@article{arxiv.1910.12919,
title = {Comparing domain wall synapse with other Non Volatile Memory devices for on-chip learning in Analog Hardware Neural Network},
author = {Divya Kaushik and Utkarsh Singh and Upasana Sahu and Indu Sreedevi and Debanjan Bhowmik},
journal= {arXiv preprint arXiv:1910.12919},
year = {2019}
}
备注
The following article has been submitted to AIP Advances. When it is published, it will be found at https://aip.scitation.org/journal/adv