論文の概要: CNN-Based Automated Parameter Extraction Framework for Modeling Memristive Devices

• arxiv url: http://arxiv.org/abs/2511.07926v1
• Date: Wed, 12 Nov 2025 01:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.548863
• Title: CNN-Based Automated Parameter Extraction Framework for Modeling Memristive Devices
• Title（参考訳）: メモリデバイスモデリングのためのCNNに基づくパラメータ自動抽出フレームワーク
• Authors: Akif Hamid, Orchi Hassan,
• Abstract要約: 抵抗ランダムアクセスメモリ(RRAM)は、次世代の非揮発性メモリ(NVM)およびインメモリコンピューティングアプリケーションにとって有望な候補である。 実験RRAMデバイスの回路およびシステムレベルの性能解析には,小型モデルが不可欠である。 本研究は,デバイスI-V特性から直接,広く使用されているスタンフォードRRAMモデルの適合パラメータを抽出する自動フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resistive random access memory (RRAM) is a promising candidate for next-generation nonvolatile memory (NVM) and in-memory computing applications. Compact models are essential for analyzing the circuit and system-level performance of experimental RRAM devices. However, most existing RRAM compact models rely on multiple fitting parameters to reproduce the device I-V characteristics, and in most cases, as the parameters are not directly related to measurable quantities, their extraction requires extensive manual tuning, making the process time-consuming and limiting adaptability across different devices. This work presents an automated framework for extracting the fitting parameters of the widely used Stanford RRAM model directly from the device I-V characteristics. The framework employs a convolutional neural network (CNN) trained on a synthetic dataset to generate initial parameter estimates, which are then refined through three heuristic optimization blocks that minimize errors via adaptive binary search in the parameter space. We evaluated the framework using four key NVM metrics: set voltage, reset voltage, hysteresis loop area, and low resistance state (LRS) slope. Benchmarking against RRAM device characteristics derived from previously reported Stanford model fits, other analytical models, and experimental data shows that the framework achieves low error across diverse device characteristics, offering a fast, reliable, and robust solution for RRAM modeling.
• Abstract（参考訳）: 抵抗ランダムアクセスメモリ(RRAM)は、次世代の非揮発性メモリ(NVM)およびインメモリコンピューティングアプリケーションにとって有望な候補である。 実験RRAMデバイスの回路およびシステムレベルの性能解析には,小型モデルが不可欠である。 しかしながら、既存のRRAMコンパクトモデルはデバイスI-V特性を再現するために複数の適合パラメータに依存しており、ほとんどの場合、パラメータは測定可能な量に直接関連しないため、その抽出には広範囲な手動チューニングが必要であるため、プロセスの時間がかかり、異なるデバイス間で適応性を制限する。 本研究は,デバイスI-V特性から直接,広く使用されているスタンフォードRRAMモデルの適合パラメータを抽出する自動フレームワークを提案する。 このフレームワークは、合成データセットでトレーニングされた畳み込みニューラルネットワーク(CNN)を使用して、初期パラメータ推定を生成する。 筆者らは,設定電圧,リセット電圧,ヒステリシスループ面積,低抵抗状態(LRS)勾配の4つの主要なNVM指標を用いてフレームワークの評価を行った。 以前報告されたスタンフォードモデル適合性、その他の分析モデル、実験データから得られたRRAMデバイス特性に対するベンチマークにより、フレームワークは様々なデバイス特性にわたって低エラーを達成し、RRAMモデリングの高速で信頼性があり堅牢なソリューションを提供することを示す。

関連論文リスト

• In-memory Training on Analog Devices with Limited Conductance States via Multi-tile Residual Learning [59.091567092071564]
  インメモリトレーニングは通常、デジタルベースラインに合わせて少なくとも8ビットのコンダクタンス状態を必要とする。 ReRAMのような多くの有望な中間デバイスは、製造制約のため、約4ビットの解像度しか提供しない。 本稿では,残差を補うために複数のクロスバータイルを逐次学習する語彙学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-02T19:44:25Z)
• R^3: On-device Real-Time Deep Reinforcement Learning for Autonomous Robotics [9.2327813168753]
  本稿では、デバイス上でのリアルタイムDRLトレーニングにおけるタイミング、メモリ、アルゴリズム性能を管理するための総合的なソリューションR3を提案する。 R3は、(i)動的バッチサイズを最適化するためのデッドライン駆動フィードバックループ、(ii)メモリフットプリントを削減し、より大きなリプレイバッファサイズを実現するための効率的なメモリ管理、(iii)ランタイム分析によってガイドされるランタイムコーディネータ、およびメモリリソース予約を調整するランタイムプロファイラを採用している。
  論文  参考訳（メタデータ） (2023-08-29T05:48:28Z)
• Symbolic Regression on FPGAs for Fast Machine Learning Inference [2.0920303420933273]
  高エネルギー物理コミュニティは、FPGA(Field-Programmable Gate Arrays)上に機械学習ベースのソリューションをデプロイする可能性を探っている シンボリックレグレッション(SR)と呼ばれる機械学習技術を利用した新しいエンドツーエンドプロシージャを提案する。 提案手法は,最大で5 nsまでの実行時間を最大13倍に抑えながら,90%以上の近似精度を維持した推論モデルを用いて3層ニューラルネットワークを近似できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T17:04:02Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• 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)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• 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。