Nov, 2023

优化模拟人工智能的随机阻性存储裁剪

PDF
TL;DR通过软硬件协同设计和内存计算优化随机加权模拟阻性存储神经网络的拓扑结构，提高了基于模拟计算的人工智能硬件的能效和分类性能。
artificial intelligenceanalogue computingresistive memorysoftware-hardware co-designin-memory computing
发现论文，激发创造
  • 基于电阻存储的高效精确神经场重建

    我们提出了一种软硬件协同优化的系统方法，用于从稀疏输入中进行信号重建，软件层面上使用神经场通过神经网络隐式表示信号，并使用低秩分解和结构化剪枝进一步压缩；硬件层面上，设计了一种基于可变电阻存储器的计算内存（CIM）平台，其中包括高斯编码器（GE）和多层感知器处理引擎（PE）。此工作推进了以人工智能为驱动的信号恢复技术，并为未来高效稳健的医疗人工智能和三维视觉应用铺平了道路。

    Apr, 2024

  • 基于抵抗性存储器的得分型扩散模型神经微分方程求解器

    通过利用新型电阻性存储器和时间连续的模拟神经微分方程求解器，实现了 AI 生成内容方法的突破，大幅提升了生成速度和能效，为边缘计算中的生成 AI 应用开辟了新的方向。

    Apr, 2024

  • 一种 ReRAM 模拟神经训练加速器的能量、延迟、面积和准确性的多尺度共设计分析

    该研究详细分析了使用模拟电阻式存储器（ReRAM）跨栅执行关键矩阵操作以提高加速器性能，并与使用数字 ReRAM 和 SRAM 操作的相关设计进行了比较。结果显示，与类似的数字版加速器块相比，该模拟加速器具有能效更高的优势，并且可以成为进一步架构研究的基础。

    Jul, 2017

  • 利用计算相变存储进行准确的深度神经网络推断

    介绍了一种在内存计算硬件上训练 ResNet 类型卷积神经网络的方法，并提出了一种基于批标准化参数的补偿技术，可以在映射到 PCM 后实现分类精度高达 93.7％ 的 CIFAR-10 数据集和 71.6％ 的 ImageNet 基准测试的 top-1 精度。

    Jun, 2019

  • 基于随机电阻存储的深度极值学习机的统一视觉处理

    通过硬件软件的协同设计，我们提出了基于随机电阻存储器的深度极端点学习机，实现了高效统一的点集分析，比传统系统节省了大量能源并降低了训练成本，为各种数据模态和任务提供了节能高效的边缘人工智能解决方案。

    Dec, 2023

  • 多层电阻变换器实现的突触元可塑性

    本研究提出了一种基于 memristor 的硬件架构，实现了 QNNs 的元可塑性，并验证了其在 MNIST 和 Fashion-MNIST 上的有效性和鲁棒性。

    Jun, 2023

  • 基于电阻变化器的存储器：从内存计算、深度学习加速、脉冲神经网络到神经形态计算的未来

    本文综述深度学习、电晕电阻存储器（Memristors）和尖峰神经网络等人工智能领域的新技术。文章重点讨论了依赖非冯・诺依曼体系结构的计算和定制学习和推理算法的必要性，并展望了未来神经形态的计算系统。

    Apr, 2020

  • 利用剪枝和差分交叉栅映射提高基于 ReRAM 的边缘 AI 的 DNN 容错性

    本文提出了一种差分映射方案，以提高 ReRAM 的容错性，实现无需大规模优化的负载裁剪技术，从而在代表性 DNN 任务中容忍几乎高达一个数量级的故障率，而不需要额外的硬件成本。

    Jun, 2021

  • 基于可调节动力学和短期可塑性的脑启发式储罐计算使用忆阻器

    近期，关于储层计算的研究取得了重大突破，需要具有能够实现储层物理实现的动力学的模拟装置，以实现更快的信息处理速度、更低的能量消耗和较小的面积占用。通过电压相关动态的离子通道基础箱体，我们展示了只需一次数据编码并通过一个包含具有不同动力学特性的多个箱体的储层层的数据输入方法的可行性，并通过实验证明了这种方法的预测和分类准确率高于传统方法。

    Oct, 2023

  • 智能机器在非结构化环境中的差分神经计算工作

    通过提取环境信息的主要特征并将相关编码刺激应用于忆阻器，我们成功地在处理非结构化环境信息方面获得了类人的能力，比如机械刺激的放大（>720%）和适应性（<50%）。这种方法还在智能机器的两个典型应用（物体抓取和自动驾驶）中展示了良好的可扩展性和泛化性能。

    Sep, 2023