論文の概要: Alleviation of Temperature Variation Induced Accuracy Degradation in
Ferroelectric FinFET Based Neural Network
- arxiv url: http://arxiv.org/abs/2103.03111v1
- Date: Wed, 3 Mar 2021 16:06:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-07 09:20:44.956547
- Title: Alleviation of Temperature Variation Induced Accuracy Degradation in
Ferroelectric FinFET Based Neural Network
- Title（参考訳）: 強誘電体finfet系ニューラルネットワークにおける温度変動誘起精度低下の緩和
- Authors: Sourav De, Yao-Jen Lee and Darsen D. Lu
- Abstract要約: 我々は、MNISTデータセットをベースラインとして96.4%の推論精度でトレーニング済みの人工ニューラルネットワークを採用する。
我々は300KでトレーニングしたNNに対して,233Kでアナログニューラルネットワークの有意な推論精度の劣化を観測した。
我々は、温度変化による精度劣化に対するNNの免疫性を確保するために、"リード電圧"最適化によるバイナリニューラルネットワークをデプロイする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper reports the impacts of temperature variation on the inference
accuracy of pre-trained all-ferroelectric FinFET deep neural networks, along
with plausible design techniques to abate these impacts. We adopted a
pre-trained artificial neural network (NN) with 96.4% inference accuracy on the
MNIST dataset as the baseline. As an aftermath of temperature change, the
conductance drift of a programmed cell was captured by a compact model over a
wide range of gate bias. We observe a significant inference accuracy
degradation in the analog neural network at 233 K for a NN trained at 300 K.
Finally, we deployed binary neural networks with "read voltage" optimization to
ensure immunity of NN to accuracy degradation under temperature variation,
maintaining an inference accuracy 96.1%
- Abstract（参考訳）: 本稿では,事前学習した全強誘電体深層ニューラルネットワークの推論精度に対する温度変動の影響と,これらの影響を緩和するための設計手法について報告する。
mnistデータセットをベースラインとして,96.4%の推論精度を有する事前学習型ニューラルネットワーク(nn)を採用した。
温度変化の余波として、プログラムされたセルのコンダクタンスドリフトは、幅広いゲートバイアスに対してコンパクトなモデルにより捕捉された。
本研究では,300kで訓練されたnnに対して,233kでアナログニューラルネットワークにおいて有意な推定精度低下を観測し,最後に「読み取り電圧」最適化を施したバイナリニューラルネットワークを展開し,温度変動による精度低下に対するnnの耐性を確保し,推定精度96.1%を維持した。
関連論文リスト
- TPTNet: A Data-Driven Temperature Prediction Model Based on Turbulent
Potential Temperature [0.7575778450247893]
数値気象予測(NWP)の計算負担を軽減するため,ニューラルネットワークを用いた表面温度予測のためのデータ駆動モデルを提案した。
TPTNetと命名された我々のモデルは, 気象観測所で観測された2mの温度のみを用いて, 限られた予報時間における局部温度の予測を行う。
論文 参考訳（メタデータ） (2023-12-22T01:02:27Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - CorrectNet: Robustness Enhancement of Analog In-Memory Computing for
Neural Networks by Error Suppression and Compensation [4.570841222958966]
本稿では,ニューラルネットワークの変動と雑音下での堅牢性を高める枠組みを提案する。
ニューラルネットワークの予測精度は、変動とノイズの下で1.69%以下から回復可能であることを示す。
論文 参考訳（メタデータ） (2022-11-27T19:13:33Z) - Variational Neural Networks [88.24021148516319]
本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。
VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。
不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
論文 参考訳（メタデータ） (2022-07-04T15:41:02Z) - Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。
実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。
さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文 参考訳（メタデータ） (2022-06-15T05:48:51Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳（メタデータ） (2021-07-09T08:14:45Z) - 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) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2021-02-24T10:18:30Z) - Accuracy of neural networks for the simulation of chaotic dynamics:
precision of training data vs precision of the algorithm [0.0]
時系列に適応した3つの異なるニューラルネットワーク技術を用いて,異なる精度でLorenzシステムをシミュレートする。
その結果,ESNネットワークはシステムのダイナミクスを正確に予測する上で優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-08T17:25:37Z)
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。