利用非易失性存储器提升神经形态计算可靠性的方法
神经与进化计算
2020-06-11 v1 硬件体系结构
新兴技术
摘要
随着工艺技术持续激进缩放，由负偏压温度不稳定性（NBTI）和时间依赖介电击穿（TDDB）引起的神经形态硬件电路老化正成为关键的可靠性问题，并且在使用非易失性存储器（NVM）进行突触存储时预计会加剧。这是因为NVM需要高电压与电流来访问其突触权重，进一步加速了神经形态硬件中的电路老化。当前用于可靠性评定的方法过于保守，因其考虑最坏情况工作条件来估计电路老化并无谓地限制了性能。本文提出RENEU，一种面向可靠性的机器学习应用至神经形态硬件的映射方法，旨在不损害这些应用在硬件上执行时间等关键性能指标的前提下提升系统级可靠性。RENEU的核心是针对神经形态硬件中基于CMOS的电路在不同失效机制下的老化所建立的新颖公式。利用该公式，RENEU开发了系统级可靠性模型，可用于涉及神经元与突触至硬件映射的设计空间探索框架。为此，RENEU使用粒子群优化（PSO）的一个实例来生成在性能与可靠性上Pareto最优的映射。我们在具有NVM突触的先进神经形态硬件上使用不同机器学习应用评估RENEU。结果表明，与当前做法相比，电路老化平均降低38%，硬件寿命平均提升18%。与面向性能的最优前沿方法相比，RENEU仅引入5%的边际性能开销。
引用
@article{arxiv.2006.05868,
title = {Improving Dependability of Neuromorphic Computing With Non-Volatile Memory},
author = {Shihao Song and Anup Das and Nagarajan Kandasamy},
journal= {arXiv preprint arXiv:2006.05868},
year = {2020}
}
备注
8 pages, 13 figures, accepted in 16th European Dependable Computing Conference