脉冲神经网络到神经形态硬件的耐久性感知映射

神经形态计算系统正采用忆阻器在硬件中以交叉阵列形式实现高密度、低功耗的突触存储。这些系统在执行脉冲神经网络（SNNs）时具有高能效。我们观察到，忆阻交叉阵列中较长的位线与字线是寄生压降的主要来源，其造成了电流不对称性。通过电路仿真，我们展示了由该不对称性导致的显著耐久性差异。因此，若关键忆阻器（耐久性较低的那些）被过度使用，可能导致交叉阵列寿命缩短。我们提出 eSpine，一种通过在每个交叉阵列内纳入耐久性差异来映射机器学习工作负载以提升寿命的新技术，确保具有较高激活度的突触始终由较高耐久性的忆阻器实现，反之亦然。eSpine 分两步工作。首先，它使用 Kernighan-Lin 图划分算法将工作负载划分为神经元与突触的簇，每个簇可放入一个交叉阵列。其次，它使用粒子群优化（PSO）的一个实例将簇映射到块（tile），其中簇的突触到交叉阵列中忆阻器的放置通过分析其在工作负载内的激活度来完成。我们针对基于相变存储器（PCM）忆阻器的先进神经形态硬件模型评估了 eSpine。使用 10 个 SNN 工作负载，我们展示了有效寿命的显著提升。