利用概率深度学习的抗变异基于 FeFET 的存内计算
信号处理
2023-12-27 v1
摘要
由非易失性新兴技术（如铁电场效应晶体管 (FeFET)）在器件层面的非理想性引起的可靠性问题，特别是在缩放尺寸下，会导致基于存内交叉阵列的 AI 系统精度大幅下降。在本工作中，我们提出了一种感知变异的设计技术，用于表征器件层面的变异，并采用贝叶斯神经网络 (BNN) 方法减轻其对硬件精度的影响。有效的电导变异模型源自对使用 28 nm 高- 金属栅极技术制造的 FeFET 器件进行的周期间 (C2C) 和器件间 (D2D) 变异实验测量。研究发现变异是给定编程范围内不同电导状态的函数，这与早期工作中对所有电导值考虑固定变异分散度的做法形成鲜明对比。针对不同器件尺寸和不同读取电压下制定的此类变异特性，作为先验变异信息提供给 BNN，以产生更精确和可靠的推理。在 MNIST 数据集上的浅层网络（MLP5 和 LeNet 模型）实现了接近理想的精度，而在 CIFAR10 数据集上的深层 AlexNet 模型在各种对应于不同器件尺寸和读取电压的变异下，精度下降幅度仅为 3.8-16.1%，这证明了我们提出的器件 - 算法协同设计技术的有效性。
引用
@article{arxiv.2312.15443,
title = {Road-Aware Localization With Salient Feature Matching in Heterogeneous Networks},
author = {Lele Cong and Deshi Li and Kaitao Meng and Shuya Zhu},
journal= {arXiv preprint arXiv:2312.15443},
year = {2023}
}
备注
6 pages, 7 figures