基于量化非易失纳米磁突触的自编码器用于高效无监督网络异常检测
介观与纳米尺度物理
2025-08-27 v1 机器学习
神经与进化计算
摘要
在基于自编码器的异常检测范式中，由于有限的硬件、能量和计算资源，在能够实时学习的边缘设备中实施自编码器极具挑战。我们表明，这些限制可通过设计具有低分辨率非易失性存储基突触的自编码器并采用有效的量化神经网络学习算法来解决。我们提出一种具有工程化缺口、容纳磁畴壁(DW)的铁磁赛道作为自编码器突触，其中有限态（5 态）突触权重由自旋轨道转矩(SOT)电流脉冲操控。所提自编码器模型的异常检测性能在 NSL-KDD 数据集上评估。进行了考虑有限分辨率和 DW 器件随机性的自编码器训练，其产生与具有浮点精度权重的自编码器相当的异常检测性能。尽管纳米级器件中有限的量化态数和 DW 突触权重的固有随机性已知会对性能产生负面影响，我们的硬件感知训练算法被证明可利用这些不完美器件特性，相较浮点训练权重获得的准确率生成异常检测准确率（90.98%）的提升。此外，我们的 DW 基方法相较于浮点方法在训练期间展现出权重更新至少三个数量级的显著减少，意味着我们的方法可大幅节能。本工作可激发极高能效的、基于非易失多态突触的处理器的发展，其能在边缘以无监督数据执行实时训练与推理。
引用
@article{arxiv.2309.06449,
title = {Quantized Non-Volatile Nanomagnetic Synapse based Autoencoder for Efficient Unsupervised Network Anomaly Detection},
author = {Muhammad Sabbir Alam and Walid Al Misba and Jayasimha Atulasimha},
journal= {arXiv preprint arXiv:2309.06449},
year = {2025}
}