論文の概要: Neuromorphic Computing with Deeply Scaled Ferroelectric FinFET in
Presence of Process Variation, Device Aging and Flicker Noise
- arxiv url: http://arxiv.org/abs/2103.13302v1
- Date: Fri, 5 Mar 2021 03:24:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 06:25:59.919450
- Title: Neuromorphic Computing with Deeply Scaled Ferroelectric FinFET in
Presence of Process Variation, Device Aging and Flicker Noise
- Title（参考訳）: プロセス変動, デバイス老化, フリッカノイズを考慮した強誘電体finfetを用いたニューロモルフィックコンピューティング
- Authors: Sourav De, Bo-Han Qiu, Wei-Xuan Bu, Md.Aftab Baig, Chung-Jun Su,
Yao-Jen Lee, and Darsen Lu
- Abstract要約: 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。
- 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 a comprehensive study on the applicability of ultra-scaled
ferroelectric FinFETs with 6 nm thick hafnium zirconium oxide layer for
neuromorphic computing in the presence of process variation, flicker noise, and
device aging. An intricate study has been conducted about the impact of such
variations on the inference accuracy of pre-trained neural networks consisting
of analog, quaternary (2-bit/cell) and binary synapse. A pre-trained neural
network with 97.5% inference accuracy on the MNIST dataset has been adopted as
the baseline. Process variation, flicker noise, and device aging
characterization have been performed and a statistical model has been developed
to capture all these effects during neural network simulation. Extrapolated
retention above 10 years have been achieved for binary read-out procedure. We
have demonstrated that the impact of (1) retention degradation due to the oxide
thickness scaling, (2) process variation, and (3) flicker noise can be abated
in ferroelectric FinFET based binary neural networks, which exhibits superior
performance over quaternary and analog neural network, amidst all variations.
The performance of a neural network is the result of coalesced performance of
device, architecture and algorithm. This research corroborates the
applicability of deeply scaled ferroelectric FinFETs for non-von Neumann
computing with proper combination of architecture and algorithm.
- Abstract（参考訳）: 本稿では,6nm厚の酸化ハフニウム層を有する超小型強誘電体FinFETのニューロモルフィックコンピューティングへの応用について,プロセス変動,フリックノイズ,デバイス老化の存在下での総合的研究を行った。
このような変化が、アナログ、四元数(2ビット/セル)、バイナリシナプスからなる事前学習ニューラルネットワークの推論精度に与える影響について、複雑な研究がなされている。
MNISTデータセット上で97.5%の推測精度を持つ事前学習ニューラルネットワークがベースラインとして採用されている。
プロセス変動,フリックノイズ,デバイスエイジング特性について検討し,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捉えるための統計モデルを構築した。
バイナリ読み出し処理では、10年以上の余分な保持が達成されている。
我々は,(1)酸化物厚さスケーリングによる保持劣化,(2)プロセス変動,(3)フレッカーノイズの影響を,四元系およびアナログ系ニューラルネットワークよりも優れた性能を示す強誘電性finfetベースの二元系ニューラルネットワークにおいて軽減できることを実証した。
ニューラルネットワークのパフォーマンスは、デバイス、アーキテクチャ、アルゴリズムの合理化されたパフォーマンスの結果である。
この研究は、アーキテクチャとアルゴリズムを適切に組み合わせた非ヴォンニューマン計算における強誘電体FinFETの適用性を裏付けるものである。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - SEF: A Method for Computing Prediction Intervals by Shifting the Error Function in Neural Networks [0.0]
本稿では,このカテゴリに属する新しい手法としてSEF(Shifting the Error Function)法を提案する。
提案手法では,1つのニューラルネットワークを3回トレーニングすることで,与えられた問題に対して対応する上境界と下限とを推定する。
この革新的なプロセスは、PIを効果的に生成し、不確実性定量化のための堅牢で効率的な技術をもたらす。
論文 参考訳（メタデータ） (2024-09-08T19:46:45Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - Deep Learning Architectures for FSCV, a Comparison [0.0]
適合性は、"out-of-probe"の場合の予測性能、人工的に誘導される電気ノイズに対する応答、与えられたプローブに対してモデルがいつ不完全になるかを予測する能力によって決定される。
深い畳み込みニューラルネットワークであるInceptionTimeアーキテクチャは、テストされたモデルの最高の絶対的な予測性能を持つが、ノイズの影響を受けやすい。
単純多層型パーセプトロンアーキテクチャは2番目に低い予測誤差を有しており、人工ノイズの影響を受けていないため、畳み込みは疑わしいほど重要でない可能性がある。
論文 参考訳（メタデータ） (2022-12-05T00:20:10Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - PhysGNN: A Physics-Driven Graph Neural Network Based Model for
Predicting Soft Tissue Deformation in Image-Guided Neurosurgery [0.15229257192293202]
グラフニューラルネットワーク(GNN)を利用した有限要素解析(FEA)の解を近似したデータ駆動モデルを提案する。
提案アーキテクチャであるPhysGNNは,神経外科的設定に適した計算可能でありながら,正確かつ高速な軟部組織変形近似を約束する。
論文 参考訳（メタデータ） (2021-09-09T15:43:59Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。