基于差分氧化铪阻变存储器阵列的二值神经网络数字生物学合理实现
新兴技术
2019-12-10 v2
摘要
大脑以极低的能耗执行智能任务。本工作从大脑实现该能效的两种策略获得启发：计算与存储功能不分离，以及依赖低精度计算。阻变存储器技术的出现确实为在硬件中紧密共集成逻辑与存储提供了机遇。与此同时，最近提出的二值神经网络（Binarized Neural Network）概念，将乘法替换为异或非（XNOR）逻辑门，提供了一种以极低精度计算实现人工智能的方法。因此，在本工作中，我们提出一种实现低能耗二值神经网络的策略，其采用受大脑启发的概念，同时保留数字电子学的能耗优势。我们设计、制造并测试了一个存储器阵列，包括外围和传感电路，针对该存内计算方案进行了优化。我们的电路采用在 130 纳米 CMOS 工艺后端集成的氧化铪阻变存储器，置于两晶体管-两电阻单元中，可在灵敏放大器内直接执行神经网络的异或非操作。基于广泛的电学测量，我们表明该设计减少了突触权重上的比特错误数量，且无需使用正式的纠错码。我们使用该存储器阵列设计了整个系统。我们在标准机器学习任务（MNIST、CIFAR-10、ImageNet 和一项 ECG 任务）上表明该系统对比特错误具有固有弹性。我们证明其与更标准的方法相比能耗具有吸引力，并且可在存储器器件呈现特别低编程能量和高耐久性的 regime 下使用。
引用
@article{arxiv.1908.04066,
title = {Digital Biologically Plausible Implementation of Binarized Neural Networks with Differential Hafnium Oxide Resistive Memory Arrays},
author = {Tifenn Hirtzlin and Marc Bocquet and Bogdan Penkovsky and Jacques-Olivier Klein and Etienne Nowak and Elisa Vianello and Jean-Michel Portal and Damien Querlioz},
journal= {arXiv preprint arXiv:1908.04066},
year = {2019}
}