Key points are not available for this paper at this time.
Stochastische Samplingmaschinen (SSM) nutzen neuronales Sampling von probabilistischen spikenden Neuronen, um lokale Minima zu vermeiden und eine Überanpassung an Trainingsdatensätze zu verhindern. Dies ermöglicht verbesserte Fehlerraten im Vergleich zu deterministischen Implementationen und in der Folge eine geringere Bitgenauigkeit, reduzierte Chipfläche und verringerten Energieverbrauch. In dieser Arbeit demonstrieren wir experimentell: (i) Isolator-zu-Metall-Phasenübergangs (IMT) Neuronen mit rekordniedriger Spitzenbetriebsleistung von 11,9 μW bei V DD = 0,7 V; (ii) dass der IMT in Vanadiumpentoxid (VO 2 ) ein natürliches probabilistisches Hardware-Substrat für die Realisierung eines kompakten stochastischen IMT-Neuronen für SSMs bietet; (iii) die Implementierung von SSM zur Mustererkennung in der MNIST-Datenbank unter Verwendung von experimentell kalibrierten Geräte-Modellen. Diese Ergebnisse werden mit einem 22nm CMOS ASIC verglichen, das zeigt, dass stochastische IMT-neuronenbasierte SSMs zu einer 4,5-fachen Reduktion des Systemenergieverbrauchs führen.
Jerry et al. (Do,) haben diese Frage untersucht.