Key points are not available for this paper at this time.
RRAM-Crossbar, bestehend aus Memristor-Geräten, kann auf natürliche Weise die Matrix-Vektor-Multiplikation durchführen; dadurch hat es als hochenergieeffizienter Beschleuniger für neuromorphe Berechnungen an Bedeutung gewonnen. Die Widerstandsvariationen und festgefahrenen Fehler in den Memristor-Geräten verschlechtern jedoch dramatisch nicht nur den Chip-Ausbeute, sondern auch die Klassifizierungsgenauigkeit der auf der RRAM-Crossbar laufenden neuronalen Netzwerke. Vorhandene hardwarebasierte Lösungen verursachen enorme Overhead- und Stromverbrauch, während softwarebasierte Lösungen weniger effizient im Umgang mit festgefahrenen Fehlern und großen Variationen sind. In diesem Papier schlagen wir eine beschleunigerfreundliche Methode zum Training von neuronalen Netzwerken vor, indem wir die inhärente Selbstheilungsfähigkeit des neuronalen Netzwerks nutzen, um zu verhindern, dass die großen Gewichtssynapsen den abnormalen Memristoren basierend auf der Fehler-/Variationsverteilung in der RRAM-Crossbar zugeordnet werden. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode die Klassifizierungsgenauigkeit (10%-45% Verlust in vorherigen Arbeiten) auf nahezu idealem Niveau mit ≤ 1% Verlust anheben kann.
Chen et al. (Mi,) haben diese Frage untersucht.