論文の概要: Electrically-Tunable Stochasticity for Spin-based Neuromorphic Circuits:
Self-Adjusting to Variation
- arxiv url: http://arxiv.org/abs/2005.00923v1
- Date: Sat, 2 May 2020 21:26:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 13:00:09.899570
- Title: Electrically-Tunable Stochasticity for Spin-based Neuromorphic Circuits:
Self-Adjusting to Variation
- Title（参考訳）: スピン型ニューロモルフィック回路の電気的可変確率性:変化への自己適応
- Authors: Hossein Pourmeidani, Punyashloka Debashis, Zhihong Chen, Ronald F.
DeMara, and Ramtin Zand
- Abstract要約: エネルギー効率のよい方法は、ニューロモルフィックアーキテクチャー内の低エネルギーバリアナノ磁気デバイスを活用するために対処される。
磁気ジャンクションのエネルギー障壁を低減させる効果を,学習システムに存在する結果に対して評価し,最適化する。
これにより、エネルギー障壁がほぼゼロkTを超えると、急降下するDBNのプロセス変動感度が軽減される。
- 参考スコア（独自算出の注目度）: 8.193937188430569
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy-efficient methods are addressed for leveraging low energy barrier
nanomagnetic devices within neuromorphic architectures. Using a
Magnetoresistive Random Access Memory (MRAM) probabilistic device (p-bit) as
the basis of neuronal structures in Deep Belief Networks (DBNs), the impact of
reducing the Magnetic Tunnel Junction's (MTJ's) energy barrier is assessed and
optimized for the resulting stochasticity present in the learning system. This
can mitigate the process variation sensitivity of stochastic DBNs which
encounter a sharp drop-off when energy barriers exceed near-zero kT. As
evaluated for the MNIST dataset for energy barriers at near-zero kT to 2.0 kT
in increments of 0.5 kT, it is shown that the stability factor changes by 5
orders of magnitude. The self-compensating circuit developed herein provides a
compact, and low complexity approach to mitigating process variation impacts
towards practical implementation and fabrication.
- Abstract（参考訳）: エネルギー効率の高い手法は、ニューロモルフィックアーキテクチャ内の低エネルギー障壁ナノ磁気デバイスを活用するために取り組まれている。
ディープリーフネットワーク(DBN)の神経構造の基礎として磁気抵抗ランダムアクセスメモリ(MRAM)の確率的デバイス(p-bit)を用いて、学習システムに生じる確率性に対して磁気トンネル接合(MTJ)エネルギー障壁を低減させる影響を評価し、最適化する。
これにより、エネルギー障壁がほぼゼロkTを超えると急降下する確率DBNのプロセス変動感度を緩和することができる。
0.5kTの増分で約0kTから2.0kTのエネルギー障壁に対するMNISTデータセットについて評価した結果,安定性係数は5桁変化することが示唆された。
ここで開発された自己補償回路は, プロセス変動の影響を緩和する, コンパクトで低複雑性な手法を提供する。
関連論文リスト
- Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - Neuromorphic Hebbian learning with magnetic tunnel junction synapses [41.92764939721262]
磁気トンネル接合(MTJ)の双対抵抗状態による高精度推論を実現するニューロモルフィックネットワークの提案と実験的検討を行った。
MTJシナプスで直接実装したニューロモルフィックネットワークの最初の実演を行った。
また,STT-MTJシナプスを用いた非教師型ヘビアン学習システムにより,MNIST手書き文字認識の競争精度が向上できることをシミュレーションにより実証した。
論文 参考訳（メタデータ） (2023-08-21T19:58:44Z) - NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural Network Inference in Low-Voltage Regimes [50.00272243518593]
ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は問題の多いままである。
我々は低電圧状態におけるエネルギー精度のトレードオフを処理する新しいアドオンモジュールであるNeuralFuseを開発した。
1%のビットエラー率で、NeuralFuseはアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
論文 参考訳（メタデータ） (2023-06-29T11:38:22Z) - Electric-Field-Induced Coherent Control of Nitrogen Vacancy Centers [0.0]
共鳴磁気トンネル接合(MTJ)によって生じる空間に閉じ込められた磁場による窒素空洞中心のコヒーレントな操作
現在の最先端技術と比較して、実証されたNVベースの量子運用プラットフォームは、スケーラビリティ、デバイス互換性、エネルギー効率において大きなアドバンテージを示している。
論文 参考訳（メタデータ） (2022-06-21T07:28:12Z) - Demonstration of electron-nuclear decoupling at a spin clock transition [54.088309058031705]
クロック遷移は磁気ノイズから分子スピン量子ビットを保護する。
核自由度への線形結合は、電子コヒーレンスの変調と崩壊を引き起こす。
核浴への量子情報漏洩がないことは、他のデコヒーレンス源を特徴づける機会を与える。
論文 参考訳（メタデータ） (2021-06-09T16:23:47Z) - Neuromorphic Computing with Deeply Scaled Ferroelectric FinFET in
Presence of Process Variation, Device Aging and Flicker Noise [0.0]
このような変化が予め訓練されたニューラルネットワークの推論精度に及ぼす影響に関する複雑な研究が行われている。
ニューラルネットワークシミュレーション中にこれらすべての効果をキャプチャする統計モデルが開発された。
強誘電体finfetベースのバイナリニューラルネットワークでは, 酸化膜厚スケーリングによる劣化の影響, (2) プロセス変動, (3) フリッカーノイズが軽減できることが実証された。
論文 参考訳（メタデータ） (2021-03-05T03:24:20Z) - Compact gate-based read-out of multiplexed quantum devices with a
cryogenic CMOS active inductor [0.0]
CMOSを用いたアクティブインダクタを用いた低温回路について報告する。
この種の回路は、半導体スピン量子ビットの読み出しのために特に考えられている。
論文 参考訳（メタデータ） (2021-02-08T17:13:53Z) - Probing the coherence of solid-state qubits at avoided crossings [51.805457601192614]
本研究では,核スピン浴と相互作用する常磁性欠陥の量子力学について検討した。
提案された理論的アプローチは、第一原理からスピン量子ビットのコヒーレンス特性を設計する方法を舗装する。
論文 参考訳（メタデータ） (2020-10-21T15:37:59Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z) - Modular Simulation Framework for Process Variation Analysis of
MRAM-based Deep Belief Networks [2.0222827433041535]
Magnetic Random-Access Memory (MRAM)ベースのpビットニューロモルフィックコンピューティングデバイスは、Boltzmann Machines (RBMs) における機械学習操作をコンパクトかつ効率的に実現する手段として、関心が高まりつつある。
活性化の制限は、MRAM装置のエネルギー障壁に依存し、シグモイド関数の電圧依存性挙動に対するプロセス変動の影響を評価することが不可欠である。
ここでは、トランスポート可能なPythonスクリプトを開発し、機械学習アプリケーションの正確性に基づいてデバイス次元の変化の下で出力の変動を分析する。
論文 参考訳（メタデータ） (2020-02-03T17:20:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。