Investigadores de la Universidad Tecnológica de Eindhoven, la Universidad de Teherán y la Universidad del Sur de California han publicado un artículo técnico titulado «ReMeCo: Cómputo confiable basado en la memoria en la memoria».
un resumen:
«Los sistemas de computación neuronal de memoria basados en Memristor prometen una implementación muy eficiente de multiplicadores de matriz vectorial, que se usan comúnmente en redes neuronales artificiales (ANN). Sin embargo, el proceso de fabricación inmaduro de recuerdos y restricciones a nivel de circuito, es decir, varianza en (SAF), la proyección IR y la variación de dispositivo a dispositivo (D2D), reducen la confiabilidad de estas plataformas y, por lo tanto, impiden su escalabilidad. En este documento, presentamos ReMeCo, un marco de optimización de confiabilidad basado en redundancia. -Cuestiones óptimas mientras restringe la sobrecarga inducida. Lo logra mediante la realización de análisis de sensibilidad en la ANN. Con la información obtenida, ReMeCo evita el cálculo excesivo por menos sensible Neuronas y capas. ReMeCo utiliza un enfoque heurístico para encontrar el equilibrio entre la precisión devuelta y los gastos generales cobrados. ReMeCo reduce la redundancia de hardware al explotar la tecnología de división de bits. Además, el marco utiliza el método de promedio de grupo en la salida de cada capa ANN para integrar neuronas redundantes. La eficacia de ReMeCo se evalúa utilizando dos modelos ANN bien conocidos, como LeNet y AlexNet, que ejecutan dos conjuntos de datos MNIST y CIFAR10. Nuestros resultados muestran una recuperación de la precisión del 98,5 % con una repetibilidad de aproximadamente el 4 %, que es 20 veces menor que la última tecnología. «
encontrar Ficha técnica aquí. Publicado el 23 de enero de 2018.
Ali Banaquzar, Seyyed Hossein Hashemi Shadmiry, Sander Stoijk, Mehdi>
Kamal y Ali Afzali Kosheh y Arif Hank. 2023. ReMeCo: Autoritario
Computación neuronal basada en Memristor en la memoria. . En 28 Asia y
Conferencia de Automatización del Diseño del Pacífico Sur (ASPDAC ’23), del 16 al 19 de enero,
2023, Tokio, Japón. ACM, Nueva York, NY, EE. UU., 6 págs. https://doi.org/10.
1145 / 3566097.3567889
More Stories
El código en los datos previos al entrenamiento mejora el rendimiento del LLM en tareas que no son de codificación
Un marco para resolver ecuaciones diferenciales parciales equivalentes puede guiar el procesamiento y la ingeniería de gráficos por computadora
Epiroc ha lanzado una nueva plataforma de perforación de producción de pozos largos