論文の概要: SOT-MRAM based Sigmoidal Neuron for Neuromorphic Architectures

• arxiv url: http://arxiv.org/abs/2006.01238v1
• Date: Mon, 1 Jun 2020 20:18:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 07:52:38.489732
• Title: SOT-MRAM based Sigmoidal Neuron for Neuromorphic Architectures
• Title（参考訳）: SOT-MRAMを用いたニューロモルフィックアーキテクチャのためのSigmoidal Neuron
• Authors: Brendan Reidy and Ramtin Zand
• Abstract要約: 本稿では、スピン軌道トルク(SOT)磁気抵抗性ランダムアクセスメモリ(MRAM)デバイス固有の物理特性を活用し、ニューロモルフィックアーキテクチャにおけるシグモダルニューロンを実現する。 提案したSOT-MRAM系ニューロンの出力-面積-積値の74倍と12倍の低下を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, the intrinsic physical characteristics of spin-orbit torque (SOT) magnetoresistive random-access memory (MRAM) devices are leveraged to realize sigmoidal neurons in neuromorphic architectures. Performance comparisons with the previous power- and area-efficient sigmoidal neuron circuits exhibit 74x and 12x reduction in power-area-product values for the proposed SOT-MRAM based neuron. To verify the functionally of the proposed neuron within larger scale designs, we have implemented a circuit realization of a 784x16x10 SOT-MRAM based multiplayer perceptron (MLP) for MNIST pattern recognition application using SPICE circuit simulation tool. The results obtained exhibit that the proposed SOT-MRAM based MLP can achieve accuracies comparable to an ideal binarized MLP architecture implemented on GPU, while realizing orders of magnitude increase in processing speed.
• Abstract（参考訳）: 本稿では、スピン軌道トルク(SOT)磁気抵抗性ランダムアクセスメモリ(MRAM)デバイス固有の物理特性を活用し、ニューロモルフィックアーキテクチャにおけるシグモダルニューロンを実現する。 提案するsot-mram系ニューロンの性能比較により、74倍および12倍のパワー領域積値の低減が得られた。 大規模設計における提案するニューロンの機能を検証するため,SPICE回路シミュレーションツールを用いたMNISTパターン認識用784x16x10 SOT-MRAMベースのマルチプレイヤーパーセプトロン(MLP)を実装した。 その結果,SOT-MRAMをベースとしたMLPは,GPU上に実装された理想的な二項化MLPアーキテクチャに匹敵する精度を達成でき,処理速度の桁数増加を実現することができた。

関連論文リスト

• Neuromorphic Circuit Simulation with Memristors: Design and Evaluation Using MemTorch for MNIST and CIFAR [0.4077787659104315]
  本研究は,3つのデジタル畳み込みニューラルネットワークを構築し,訓練することにより,メモリ内処理にmemristorsを用いることの可能性を評価する。 これらのネットワークをmemtorchシステムに変換する。 シミュレーションは理想的な条件下で行われ、推論中に最小1%の精度の損失が得られた。
  論文  参考訳（メタデータ） (2024-07-18T11:30:33Z)
• EPIM: Efficient Processing-In-Memory Accelerators based on Epitome [78.79382890789607]
  畳み込みのような機能を提供する軽量神経オペレータであるEpitomeを紹介する。 ソフトウェア側では,PIMアクセラレータ上でのエピトームのレイテンシとエネルギを評価する。 ハードウェア効率を向上させるため,PIM対応層設計手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T17:56:39Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• MRAM-based Analog Sigmoid Function for In-memory Computing [0.0]
  本稿では、2つのスピン軌道トルク磁気抵抗ランダムアクセスメモリ(SOT-MRAM)とCMOSインバータを用いた超越活性化関数のアナログ実装を提案する。 提案したアナログニューロン回路は1.8-27倍の消費電力を消費し、最先端アナログやデジタル実装と比較して2.5-4931倍の面積を占める。
  論文  参考訳（メタデータ） (2022-04-21T07:13:54Z)
• Event-based Video Reconstruction via Potential-assisted Spiking Neural Network [48.88510552931186]
  バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。 完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。 スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
  論文  参考訳（メタデータ） (2022-01-25T02:05:20Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• An In-Memory Analog Computing Co-Processor for Energy-Efficient CNN Inference on Mobile Devices [4.117012092777604]
  非揮発性メモリアレイ内のシナプス挙動とアクティベーション機能の両方を実現するインメモリアナログコンピューティング(IMAC)アーキテクチャを開発した。 スピン軌道トルク磁気抵抗ランダムアクセスメモリ(SOT-MRAM)装置を利用してシグモダルニューロンと双対シナプスを実現する。 モバイルプロセッサ上での畳み込みニューラルネットワーク(CNN)推論において、異種混合信号と混合精度のCPU-IMACアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-05-24T23:01:36Z)
• A Single-Cycle MLP Classifier Using Analog MRAM-based Neurons and Synapses [0.0]
  MRAMデバイスは、単一サイクルアナログインメモリコンピューティングアーキテクチャのためのシグモダルニューロンと双対シナプスを実現するために利用される。 アナログSOT-MRAMベースのニューロンビットセルが提案され,12倍の消費電力削減を実現している。 アナログMCアーキテクチャは、混合信号アナログ/デジタルMCアーキテクチャと比較して少なくとも2桁と4桁の性能向上を実現している。
  論文  参考訳（メタデータ） (2020-12-04T16:04:32Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)
• 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。