Los puntos clave no están disponibles para este artículo en este momento.
La memoria de acceso aleatorio resistiva (RRAM) es atractiva para los sistemas de computación neuromórficos como pesos sinápticos. En el entrenamiento de redes neuronales, el conmutación incremental ocurre entre los estados de conductancia analógica, por lo que los dispositivos RRAM analógicos tienen comportamientos únicos de degradación de la resistencia al uso en comparación con la aplicación de memoria digital convencional. En este trabajo, se desarrolla una plataforma de medición rápida para caracterizar la resistencia al uso de la conmutación incremental en RRAM analógico. Se encontró que bajo pulsos de actualización de peso débiles, los ciclos de conmutación incremental de RRAM pueden incrementarse en más de 5 órdenes de magnitud en comparación con el conmutación de ventana completa bajo pulsos de programación fuertes. La resistencia al uso de 10^11 ciclos de RRAM analógico se demuestra ser suficiente para entrenar redes neuronales en línea para varios conjuntos de datos (desde MNIST hasta ImageNet). Sin embargo, la no linealidad y el rango dinámico de RRAM analógico se degradan durante el ciclo, lo que puede influir en la precisión de aprendizaje de la red neuronal cuando se vuelve a entrenar con nuevos conjuntos de datos.
Zhao et al. (Sat,) estudiaron esta cuestión.