Везде
Моделирование особенностей работы мемристивного кроссбар-массива в нейроморфных электронных модулях
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Моделирование особенностей работы мемристивного кроссбар-массива в нейроморфных электронных модулях
Аннотация
Код статьи
S0544126924060031-1
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Дудкин А. П.  
Аффилиация: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И.Ульянова (Ленина)
Выпуск
Том 53 Номер выпуска 6
Страницы
483-495
Аннотация
Разработаны модель и методика моделирования мемристивных кроссбар-массивов с учетом падений напряжения на межсоединениях, шага перестройки уровней проводимости мемристивных элементов и нелинейности их вольт-амперных характеристик. Получены результаты тестирования импульсной нейронной сети в инференс-режиме в задаче распознавания изображений с применением разработанной методики моделирования с учетом характеристик экспериментально изготовленных мемристорных структур.
Ключевые слова
импульсные нейронные сети мемристивный кроссбар-массив
Источник финансирования
Работа выполнена при финансовой поддержке Министерства науки и высшего образования Российской Федерации – государственное задание в области научной деятельности FSEE-2020-0013
Классификатор
Получено
02.03.2025
Всего подписок
0
Всего просмотров
71
Оценка читателей
0.0 (0 голосов)
Цитировать   Скачать pdf Скачать JATS

Библиография

1. Mutlu O., Ghose S., Gómez-Luna J., and Ausavarungnirun R. Processing data where it makes sense: Enabling in-memory computation // Proc. MICPRO, 2019. P. 28–41. DOI: 10.1016/j.micpro.2019.01.009.

2. Li C., Hu M., Li Y. et al. Analogue signal and image processing with large memristor crossbars // Nature Electronics, 2018. V. 1. P. 52–59. DOI: 10.1038/s41928-017-0002-z.

3. Li C., Belkin D., Li Y. et al. Efficient and self-adaptive in-situ learning in multilayer memristor neural networks // Nature Communication, 2018. V. 9. № 1. P. 2385-12385-8. DOI: 10.1038/s41467-018-04484-2.

4. Li C., Wang Z., Rao M. et al. Long short-term memory networks in memristor crossbar arrays // Nature Machine Intelligence, 2019. V. 1. № 1. P. 49–57. DOI: 10.1038/s42256-018-0001-4.

5. Hu M., Graves C. E., Li C. et al. Memristor-based analog computation and neural network classification with a dot product engine // Advanced Materials, 2018. V. 30. № 9. P. 1705914-1–1705914-5. DOI: 10.1002/adma.201705914.

6. Sheridan P., Cai F., Du C. et al. Sparse coding with memristor networks // Nature Nanotechnology, 2017. V. 12. № 8. P. 784–789. DOI: 10.1038/nnano.2017.83.

7. Du C., Cai F., Zidan M.A. et al. Reservoir computing using dynamic memristors for temporal information processing // Nature Communications, 2017. V. 8. 2204. https://doi.org/10.1038/s41467-017-02337-y.

8. Marinella M.J., Agarwal S., Hsia A., Richter I., Jacobs-Gedrim R., Niroula J., Plimpton S.J., Ipek E., James C.D. Multiscale Co-Design Analysis of Energy, Latency, Area, and Accuracy of a ReRAM Analog Neural Training Accelerator // IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2017. PP. 1–14. 10.1109/JETCAS.2018.2796379.

9. Xu H., Sun Y., Zhu Y., Wang X., Qin G. Statistical Temperature Coefficient Distribution in Analog RRAM Array: Impact on Neuromorphic System and Mitigation Method // https://arxiv.org/pdf/2105.05534, 2021.

10. Akhmetov Y., James A.P. Probabilistic Neural Network with Memristive Crossbar Circuits // IEEE International Symposium on Circuits and Systems (ISCAS), Sapporo, Japan, 2019. P. 1–5. DOI: 10.1109/ISCAS.2019.8702153.

11. Gu P., Li B., Tang T. et al. Technological exploration of RRAM crossbar array for matrix-vector multiplication // The 20th Asia and South Pacific Design Automation Conference, Chiba, Japan, 2015. P. 106–111. DOI: 10.1109/ASPDAC.2015.7058989.

12. Xu Q., Wang J., Yuan B. et al. Reliability-Driven Memristive Crossbar Design in Neuromorphic Computing Systems // IEEE Transactions on Automation Science and Engineering, 2023. V. 20. № 1. P. 74–87. DOI: 10.1109/TASE.2021.3125065.

13. Thomas S. A., Vohra S. K., Kumar R., Sharma R., Das D. M. Analysis of Parasitics on CMOS based Memristor Crossbar Array for Neuromorphic Systems // IEEE International Midwest Symposium on Circuits and Systems (MWSCAS), Lansing, MI, USA, 2021. P. 309–312. DOI: 10.1109/MWSCAS47672.2021.9531867.

14. Zhang L., Borggreve D., Vanselow F., Brederlow R. Impact of Parasitic Wire Resistance on Accuracy and Size of Resistive Crossbars // IEEE International Symposium on Circuits and Systems (ISCAS), Daegu, Korea, 2021. P. 1–5. DOI: 10.1109/ISCAS51556.2021.9401279.

15. Kim H., Mahmoodi M.R., Nili H. 4K-memristor analog-grade passive crossbar circuit // Nature Communications, 2021. V. 12. 5198. https://doi.org/10.1038/s41467-021-25455-0

16. Bayat F.M., Prezioso M., Chakrabarti B. et al. Implementation of multilayer perceptron network with highly uniform passive memristive crossbar circuits // Nature Communications, 2018. V. 9. 2331. https://doi.org/10.1038/s41467-018-04482-4

17. Li Y., Ang K.-W. Hardware Implementation of Neuromorphic Computing Using Large‐Scale Memristor Crossbar Arrays // Advanced Intelligent Systems, 2020. V. 3. № 1. P. 2000137.

18. Kim S., Hong K., Kim H., Kim M.‐H., Choi W. Overshoot‐Suppressed Memristor Array with AlN Oxygen Barrier for Low‐Power Operation in the Intelligent Neuromorphic Systems // Advanced Intelligent Systems, 2024. V. 2300797. P. 1–13. 10.1002/aisy.202300797.

19. Deng L. The MNIST database of handwritten digit images for machine learning research // IEEE Signal Processing Magazine, 2012. V. 29. № 6. P. 141–142.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести