忆阻器的衔尾蛇：促进忆阻器编程的神经网络
新兴技术
2024-08-14 v1
摘要
忆阻器件因其尺寸紧凑、功耗低以及能够在恒定时间内执行矩阵乘法，有望提高机器学习和神经形态硬件的规模和效率。然而，利用忆阻器阵列进行片上训练仍面临挑战，包括器件间和周期间的变化、开关非线性，尤其是 SET 和 RESET 的不对称性。为应对器件非线性和不对称性，我们提出利用神经网络对忆阻器进行编程，将所需的电导更新映射到所需的脉冲时间。使用我们的方法，仅需一次尝试，约 95% 的器件即可在相对于目标电导±50% 的相对百分比差异内完成编程。与传统的一次写入一次验证 (write-and-verify) 方法相比，我们的方法显著减少了忆阻器编程延迟，为片上训练场景提供了一种有利的解决方案。此外，我们提出的神经网络在部署后可由忆阻器阵列加速，在提供辅助的同时降低了相比先前工作的硬件开销。这项工作对忆阻器的实际应用做出了重大贡献，特别是在减少忆阻器编程延迟方面。它还展望了基于忆阻器的机器学习加速器的未来发展。
引用
@article{arxiv.2403.06712,
title = {The Ouroboros of Memristors: Neural Networks Facilitating Memristor Programming},
author = {Zhenming Yu and Ming-Jay Yang and Jan Finkbeiner and Sebastian Siegel and John Paul Strachan and Emre Neftci},
journal= {arXiv preprint arXiv:2403.06712},
year = {2024}
}
备注
This work is accepted at the 2024 IEEE AICAS