論文の概要: MRAM-based Analog Sigmoid Function for In-memory Computing
- arxiv url: http://arxiv.org/abs/2204.09918v1
- Date: Thu, 21 Apr 2022 07:13:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 14:54:02.069769
- Title: MRAM-based Analog Sigmoid Function for In-memory Computing
- Title（参考訳）: インメモリコンピューティングのためのMRAMに基づくアナログシグモノイド関数
- Authors: Md Hasibul Amin, Mohammed Elbtity, Mohammadreza Mohammadi, Ramtin Zand
- Abstract要約: 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。
- 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: We propose an analog implementation of the transcendental activation function
leveraging two spin-orbit torque magnetoresistive random-access memory
(SOT-MRAM) devices and a CMOS inverter. The proposed analog neuron circuit
consumes 1.8-27x less power, and occupies 2.5-4931x smaller area, compared to
the state-of-the-art analog and digital implementations. Moreover, the
developed neuron can be readily integrated with memristive crossbars without
requiring any intermediate signal conversion units. The architecture-level
analyses show that a fully-analog in-memory computing (IMC) circuit that use
our SOT-MRAM neuron along with an SOT-MRAM based crossbar can achieve more than
1.1x, 12x, and 13.3x reduction in power, latency, and energy, respectively,
compared to a mixed-signal implementation with analog memristive crossbars and
digital neurons. Finally, through cross-layer analyses, we provide a guide on
how varying the device-level parameters in our neuron can affect the accuracy
of multilayer perceptron (MLP) for MNIST classification.
- Abstract（参考訳）: 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,2.5-4931倍の面積を占める。
さらに、開発したニューロンは、中間信号変換ユニットを必要とせずに、memristive crossbarsと容易に統合することができる。
アーキテクチャレベルの分析では、SOT-MRAMベースのクロスバーと共にSOT-MRAMニューロンを使用する完全なアナログインメモリ・コンピューティング(IMC)回路が、アナログメモリクロスバーとデジタルニューロンとの混合信号実装と比較して、それぞれ1.1倍、12倍、13.3倍の電力、遅延、エネルギーの削減を達成できることが示されている。
最後に、クロスレイヤー解析により、ニューロン内のデバイスレベルパラメータの変動がmnist分類における多層パーセプトロン(mlp)の精度にどのように影響するかを示す。
関連論文リスト
- Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。
より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。
我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文 参考訳（メタデータ） (2024-05-08T11:09:24Z) - Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。
スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。
我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
論文 参考訳（メタデータ） (2024-04-08T16:34:35Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - 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) - Reliability-Aware Deployment of DNNs on In-Memory Analog Computing
Architectures [0.0]
In-Memory Analog Computing (IMAC) 回路は、アナログ領域におけるMVMとNLVの両方の操作を実現することにより、信号変換器の必要性を取り除く。
我々は、ディープニューラルネットワーク(DNN)に大規模な行列を複数の小さなIMACサブアレイに展開する実践的なアプローチを導入し、ノイズや寄生虫の影響を軽減する。
論文 参考訳（メタデータ） (2022-10-02T01:43:35Z) - Neural-PIM: Efficient Processing-In-Memory with Neural Approximation of
Peripherals [11.31429464715989]
本稿では,ディープラーニングタスクを効率的に高速化する新しいPIMアーキテクチャを提案する。
アナログ集積回路とニューラル近似周辺回路で必要となるA/D変換を最小化する。
異なるベンチマークによる評価では、Neural-PIMはエネルギー効率を5.36x (1.73x)向上し、スループットを3.43x (1.59x)向上する。
論文 参考訳（メタデータ） (2022-01-30T16:14:49Z) - 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) - Inference with Artificial Neural Networks on Analog Neuromorphic
Hardware [0.0]
BrainScaleS-2 ASICは混合信号ニューロンとシナプス回路から構成される。
システムは、人工ニューラルネットワークのベクトル行列乗算と累積モードでも動作する。
論文 参考訳（メタデータ） (2020-06-23T17:25:06Z) - SOT-MRAM based Sigmoidal Neuron for Neuromorphic Architectures [0.0]
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。
論文 参考訳（メタデータ） (2020-06-01T20:18:14Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳（メタデータ） (2020-05-05T08:00:07Z) - 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)
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。