容忍忆阻器非理想特性的深层神经网络算法研究

作者：耿一文; 张清天; 席悦; 高滨^*

来源：微纳电子与智能制造, 2019, 1(04): 51-57.

DOI：10.19816/j.cnki.10-1594/tn.000029

• 神经网络
• 阻变存储器
• 多层感知机
• 曼哈顿规则
• 识别率

近年来,随着物联网和深度学习算法的发展,以及对于复杂任务需求的增加,对于人工智能芯片加速器的算力和规模要求逐渐提高。基于冯·诺依曼架构的人工智能芯片弊端逐渐显露,即由于需要内存和计算单元的数据搬运,芯片延时和功耗难以进一步降低,且基于互补金属氧化物半导体(CMOS)的晶体管在沿着摩尔定律发展的过程中面临越来越多的挑战。目前基于新兴非易失存储器(eNVM)的研究发展迅速,例如氧化物忆阻器和相变存储器取代传统数字存储器(例如静态存储器SRAM)作为神经网络中的突触进行大规模并行矩阵向量乘法运算。但是新兴非易失存储器件的非理想效应导致深度学习算法识别率下降。深入研究了氧化物忆阻器在执行神经网络算法过程中存在的器件非理想特性,并针对上述识别率问题提出和实现了一种恢复深层神经网络识别率的新方法。

• 单位
  清华大学