高效且容错的基于阻挡器的神经网络及原位训练
新兴技术
2025-07-29 v1
摘要
神经形态架构通过并行和内存处理实现人工神经网络（ANN）计算的加速，这在一定程度上至关重要。本工作提出了一种新型阻挡器-based 多层神经网络（memristive MLNN）架构和一种高效的原位训练算法。该设计利用阻挡器交叉阵列的内在并行性，以常数时间 执行矩阵-向量乘法、外积和权重更新。每个突触仅由单个阻挡器实现，无需晶体管，具有更好的面积和能源效率。该架构通过在 IRIS、NASA 小行星和乳腺癌威斯康星数据集上的 LTspice 模拟评估，分别实现了 98.22%、90.43% 和 98.59% 的分类准确率。通过在随机选取的阻挡器引入卡住-导通故障来评估鲁棒性。还分析了阻挡器电导非线性和 10% 器件漂移的影响。模拟结果表明，网络的性能不会因故障阻挡器、非线性和器件漂移而受到显著影响。
引用
@article{arxiv.2507.20193,
title = {Efficient and Fault-Tolerant Memristive Neural Networks with In-Situ Training},
author = {Santlal Prajapat and Manobendra Nath Mondal and Susmita Sur-Kolay},
journal= {arXiv preprint arXiv:2507.20193},
year = {2025}
}