启用备忘录的神经形态计算系统为训练神经网络提供了一种快速，节能的方法1,2,3,4。但是，卷积神经网络（CNNS）（CNNS）是图像识别的最重要模型之一 - 尚未使用Memristor Crossbars完全完成硬件，它们是每个交叉路口的跨点阵列。此外，由于产量较差，较大的变化和设备的其他非理想特征6,7,8,9。在这里，我们报告了用于实施CNN的高产，高性能和统一的备忘录横梁阵列的制造，这些横梁阵列集成了八个2,048细胞的忆好阵列阵列，以提高平行计算的效率。此外，我们提出了一种有效的混合训练方法，以适应设备缺陷并改善整体系统性能。我们建立了一个五层备忘录的CNN来执行MNIST10图像识别，并获得了96％以上的高精度。除了使用带有共享输入的不同内核的平行汇集外，还证明了Memristor阵列中多个相同内核的复制，以并行处理不同的输入。基于Memristor的CNN神经形态系统的能量效率比最先进的图形处理单元大两个以上的数量级，并且被证明可扩展到较大的网络，例如残留的神经网络。我们的结果有望使基于备忘录的可行的非枪neumann硬件解决方案用于深神经网络和边缘计算。
左文资讯声明：未经许可，不得转载。
为您推荐：
- 真菌基因复制的自然史和进化原理 2025-06-25
- 实测教程”微乐广东麻将有没有挂”原来真可以开挂 2025-06-25
- 3分钟学会“微乐海南麻将真的有没有开挂神器”原来真可以开挂 2025-06-25
- DNMT1相互作用RNA块基因特异性DNA甲基化 2025-06-25
- 3分钟学会“微乐龙江麻将有挂吗”原来真可以开挂 2025-06-25
- 实测分享“微乐三代万能开挂器下载”原来真可以开挂 2025-06-25
资讯
