基于超导纳米线的深度神经网络训练加速处理器设计与表征
新兴技术
2020-01-08 v1 系统与控制
系统与控制
摘要
深度神经网络（DNNs）的训练是一项计算密集型任务，需要海量数据传输。使用传统的冯·诺依曼架构执行这些操作会产生难以承受的时间和功耗成本。近期研究表明，涉及交叉阵列架构的混合信号设计相较于最先进的数字处理器可实现高达 30000 倍的加速。这些方法利用非易失性存储器（NVM）单元作为本地处理器。然而，迄今为止尚未开发出能够满足单元严格器件要求的技术。本文提出基于超导纳米线的处理单元作为交叉点器件。该单元具有多个可编程非易失态，可用于执行模拟乘法。重要的是，由于磁通量化，这些状态本质上是离散的，从而提供对称的开关特性。描述了这些器件在交叉阵列中的工作，并通过电热电路仿真进行了验证。最后，使用仿真器在实际 DNN 训练任务中展示了该概念的有效性。
引用
@article{arxiv.1907.02886,
title = {Design and Characterization of Superconducting Nanowire-Based Processors for Acceleration of Deep Neural Network Training},
author = {Murat Onen and Brenden A. Butters and Emily Toomey and Tayfun Gokmen and Karl K. Berggren},
journal= {arXiv preprint arXiv:1907.02886},
year = {2020}
}