硅基模拟神经网络的硬件感知模型设计与训练
硬件体系结构
2026-01-29 v1 神经与进化计算
摘要
硅基模拟神经网络以近似方式物理地体现了理想的神经网络模型。我们表明，通过使用物理信息硬件感知模型重新训练神经网络，即使在存在显著非理想性的情况下，也能完全恢复理想网络模型的推理精度。对于可扩展性和集成密度而言，这比默认选项——即通过大量校准和保守的模拟设计以牺牲大量能量、面积和设计开销为代价来提高模拟神经网络的保真度——要有前景得多。我们首先提出了一种物理信息硬件感知模型，该模型针对使用单晶体管浮栅存储单元实现的时域向量矩阵乘法器，明确考虑了物理实现的两个主要非理想性——电容串扰和位线电压降，并无缝集成到现代深度学习工作流中。该模型将每个操作离散化为自适应时间槽，并行处理激活模式，并累加它们的贡献以预测有效的乘法器输出。使用来自 16x16 硅阵列的测量结果，我们校准了模型，表明串扰依赖于布局且通常占主导地位，并引入了一种改进的权重提取过程，与理想的向量矩阵乘法器模型相比，将信噪比提高了一倍。最后，我们表明，通过在前向传播中使用硬件感知模型训练硅基模拟神经网络，我们能够在三种架构——低分辨率 MNIST 上的定制 MLP、MNIST 上的 LeNet-5 以及 CIFAR-10 上的 VGG 风格 CNN——中恢复理想软件网络的精度，从而为时域模拟神经形态芯片建立了一个从设计到部署的完整工作流。
引用
@article{arxiv.2601.19905,
title = {Hardware-Aware Model Design and Training of Silicon-based Analog Neural Networks},
author = {Giulio Filippeschi and Mirko Brazzini and Cristhopher Mosquera and Marco Lanuzza and Alessandro Catania and Sebastiano Strangio and Giuseppe Iannaccone},
journal= {arXiv preprint arXiv:2601.19905},
year = {2026}
}
备注
11 pages, 5 figures