面向医疗应用的二值化神经网络存内阻变 RAM 实现
信号处理
2020-06-23 v1 新兴技术
摘要
深度学习的出现极大加速了机器学习的发展。然而，深度神经网络在边缘端的部署受其高内存与高能耗需求的限制。随着新存储技术的出现，新兴的二值化神经网络(BNNs)有望降低下一代机器学习硬件的能耗影响，使边缘设备上的机器学习成为可能，并避免通过网络传输数据。本工作中，在介绍我们采用混合 CMOS-氧化铪阻变存储器技术的实现后，我们提出将 BNNs 应用于心电图与脑电图等生物医学信号的策略，在保持精度水平的同时降低内存需求。我们研究了将整个网络二值化与仅将分类器部分二值化时的内存-精度权衡。我们还讨论了这些结果如何转化到面向边缘的 Mobilenet~V1 神经网络在 Imagenet 任务上的表现。本研究的最终目标是实现智能自主医疗设备。
引用
@article{arxiv.2006.11595,
title = {In-Memory Resistive RAM Implementation of Binarized Neural Networks for Medical Applications},
author = {Bogdan Penkovsky and Marc Bocquet and Tifenn Hirtzlin and Jacques-Olivier Klein and Etienne Nowak and Elisa Vianello and Jean-Michel Portal and Damien Querlioz},
journal= {arXiv preprint arXiv:2006.11595},
year = {2020}
}