机构名称：
¥ 1.0
摘要 - 深度学习（DL）在许多现实世界应用中都取得了前所未有的成功。但是，由于基于复杂的基于梯度的学习算法的需求，DL构成了有效硬件实现的困难，以及对突触重量存储的所需的高内存带宽，尤其是在当今数据密集型环境中。计算内存（CIM）策略已成为实现硅中能量效果的神经形态应用的替代方法，从而减少了神经计算所需的资源和能量。在这项工作中，我们利用了具有独特的学习算法的基于CIM的时空杂种神经网络（Sthnn）。是特定的，我们同时整合了多层感知器和基于经常性的延迟动力系统，使网络在空间和时间域中处理信息时变得可分离，更好地降低了存储器带宽和硬件在CIM Architecture中。在180nm CMOS工艺中制造的原型由完全分析的组件构建，在手写字母字符上，平均芯片分类精度高达86.9％，功耗为33MW。除此之外，通过手写数字数据库和射频限制数据集，基于软件的数值评估提供了1。6 – TO – 9。 8×和1。 9 – 4。 与尖端的DL方法相比， 4×速度分别没有显着降低其分类精度。6 – TO – 9。8×和1。9 – 4。4×速度分别没有显着降低其分类精度。
带有计算的时空杂种神经网络...
主要关键词
相关文件推荐
