論文の概要: Experimental demonstration of magnetic tunnel junction-based
computational random-access memory
- arxiv url: http://arxiv.org/abs/2312.14264v1
- Date: Thu, 21 Dec 2023 19:28:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 16:47:54.546733
- Title: Experimental demonstration of magnetic tunnel junction-based
computational random-access memory
- Title(参考訳): 磁気トンネル接合を用いたランダムアクセスメモリの実証実験
- Authors: Yang Lv, Brandon R. Zink, Robert P. Bloom, H\"usrev C{\i}lasun, Pravin
Khanal, Salonik Resch, Zamshed Chowdhury, Ali Habiboglu, Weigang Wang, Sachin
S. Sapatnekar, Ulya Karpuczu, Jian-Ping Wang
- Abstract要約: 「計算ランダムアクセスメモリ(CRAM)が登場し、この基本的限界に対処している」
CRAMは、データがメモリを離れることなく、メモリセルを直接使用するロジック操作を実行する。
本研究では,磁気トンネル接合(MTJ)に基づくCRAMアレイ実験を行った。
- 参考スコア(独自算出の注目度): 4.754352096105998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional computing paradigm struggles to fulfill the rapidly growing
demands from emerging applications, especially those for machine intelligence,
because much of the power and energy is consumed by constant data transfers
between logic and memory modules. A new paradigm, called "computational
random-access memory (CRAM)" has emerged to address this fundamental
limitation. CRAM performs logic operations directly using the memory cells
themselves, without having the data ever leave the memory. The energy and
performance benefits of CRAM for both conventional and emerging applications
have been well established by prior numerical studies. However, there lacks an
experimental demonstration and study of CRAM to evaluate its computation
accuracy, which is a realistic and application-critical metrics for its
technological feasibility and competitiveness. In this work, a CRAM array based
on magnetic tunnel junctions (MTJs) is experimentally demonstrated. First,
basic memory operations as well as 2-, 3-, and 5-input logic operations are
studied. Then, a 1-bit full adder with two different designs is demonstrated.
Based on the experimental results, a suite of modeling has been developed to
characterize the accuracy of CRAM computation. Further analysis of scalar
addition, multiplication, and matrix multiplication shows promising results.
These results are then applied to a complete application: a neural network
based handwritten digit classifier, as an example to show the connection
between the application performance and further MTJ development. The classifier
achieved almost-perfect classification accuracy, with reasonable projections of
future MTJ development. With the confirmation of MTJ-based CRAM's accuracy,
there is a strong case that this technology will have a significant impact on
power- and energy-demanding applications of machine intelligence.
- Abstract(参考訳): 従来のコンピューティングパラダイムは、ロジックとメモリモジュール間の一定のデータ転送によって電力とエネルギーが消費されるため、新興アプリケーション、特にマシンインテリジェンスに対する要求が急速に増大している。
計算ランダムアクセスメモリ(CRAM)と呼ばれる新しいパラダイムが、この基本的な制限に対処するために登場した。
CRAMは、データがメモリを離れることなく、メモリセルを直接使用するロジック操作を実行する。
従来および新興のアプリケーションにおけるクラムのエネルギーと性能の利点は、事前の数値的研究によってよく確立されている。
しかし、CRAMの計算精度を評価するための実験的実証や研究は欠けており、これはその技術的実現可能性と競争性のための現実的でアプリケーションクリティカルな指標である。
本研究では,磁気トンネル接合(MTJ)に基づくCRAMアレイ実験を行った。
まず,基本メモリ操作と2-,3,5入力論理演算について検討した。
次に、2つの異なる設計の1ビットフル加算器を示す。
実験結果に基づいて,CRAM計算の精度を特徴付けるためのモデリングスイートが開発された。
スカラー加算、乗算、行列乗算のさらなる分析は有望な結果を示している。
これらの結果は、アプリケーションパフォーマンスとさらなるmtj開発との関係を示す例として、ニューラルネットワークベースの手書き桁分類器(hand written digit classificationifier)という完全なアプリケーションに適用されます。
分類器はほぼ完全な分類精度を達成し、将来のMTJ開発を合理的に予測した。
MTJベースのCRAMの精度の確認により、この技術が機械知能の電力およびエネルギー需要の応用に大きな影響を与えるという強いケースがある。
関連論文リスト
- Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳(メタデータ) (2023-12-14T09:46:16Z) - Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。
有望な解決策の1つは、アナログコンピューティングを再考することである。
ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
論文 参考訳(メタデータ) (2023-11-13T08:59:01Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳(メタデータ) (2023-06-22T14:07:54Z) - An Efficient and Accurate Memristive Memory for Array-based Spiking
Neural Networks [0.43431539537721414]
我々は,旋律的シナプスの読み書きにおいて,より予測可能なアナログメモリ動作を提供する,電流制限ベースのソリューションを実証する。
さらに,神経スパイクネットワークのようなニューロモルフィック特異的な応用に,この行動が与える影響を観察した。
論文 参考訳(メタデータ) (2023-06-11T00:47:09Z) - DAISM: Digital Approximate In-SRAM Multiplier-based Accelerator for DNN
Training and Inference [4.718504401468233]
PIMソリューションは、まだ成熟していない新しいメモリ技術か、パフォーマンス上のオーバーヘッドとスケーラビリティの問題のあるビットシリアル計算に依存している。
本稿では,従来のメモリを用いてビット並列計算を行い,複数のワードラインのアクティベーションを利用する,SRAM内デジタル乗算器を提案する。
次に、この乗算器を利用したアーキテクチャであるDAISMを導入し、SOTAと比較して最大2桁高い面積効率を実現し、競争エネルギー効率を向上する。
論文 参考訳(メタデータ) (2023-05-12T10:58:21Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳(メタデータ) (2022-05-30T14:30:45Z) - Improving Inference Lifetime of Neuromorphic Systems via Intelligent
Synapse Mapping [0.2578242050187029]
RRAMセルは、コンテンツを一定回数読み込んだ後に状態を切り替えることができる。
本稿では,RRAMに基づくニューロモルフィックシステムの可読性向上のためのアーキテクチャ手法を提案する。
論文 参考訳(メタデータ) (2021-06-16T20:12:47Z) - In-memory Implementation of On-chip Trainable and Scalable ANN for AI/ML
Applications [0.0]
本稿では,人工知能(AI)と機械学習(ML)アプリケーションを実現するための,ANNのためのインメモリコンピューティングアーキテクチャを提案する。
我々の新しいオンチップトレーニングとインメモリアーキテクチャは、プリチャージサイクル当たりの配列の複数行を同時にアクセスすることで、エネルギーコストを削減し、スループットを向上させる。
提案したアーキテクチャはIRISデータセットでトレーニングされ、以前の分類器と比較してMAC当たりのエネルギー効率が4,6倍に向上した。
論文 参考訳(メタデータ) (2020-05-19T15:36:39Z) - 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) - 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。