对于边缘智能设备适应不同的应用场景和使用者来说,学习Learning 是非常重要的。当前训练神经网络的技术,需要在计算和存储单元之间移动大量数据,这限制了学习在边缘设备上的实现。
今日,清华大学 集成电路学院 Wenbin Zhang,Peng Yao,Bin Gao,吴华强 Huaqiang Wu等,在Science上发文,开发了一种全集成忆阻器芯片,该芯片具有提高学习能力和低能耗的特点。在 STELLAR架构中,主要方案包括学习算法、硬件实现和并行电导调谐方案。这是基于忆阻器交叉阵列,以促进片上学习的通用方法,而与忆阻器器件的类型无关。此外,还演示了主要执行的任务,包括运动控制、图像分类和语音识别。Edge learning using a fully integrated neuro-inspired memristor chip图1.边缘学习与神经仿生的忆阻器芯片。
图2.用于片上学习的忆阻器结构设计。
图3.用于片上学习的忆阻器芯片。
图4.在忆阻器芯片上,改进学习Improvement learning演示。
基于忆阻器Memristor的计算技术,最近受到了相当大的关注,因为这一技术有望克服传统计算架构中所谓的“冯·诺依曼瓶颈von Neumann bottleneck”。特别地,忆阻器技术可以为各种边缘智能应用,实现时间和能量效率的片上学习,尽管完全的片上学习实现,仍然具有挑战性。为了解决这个问题,该项研究提出了一种以忆阻器为特征的、基于符号和阈值的机器学习(STELLAR)架构。还制造了全系统集成芯片,由多个忆阻器阵列和所有必要的互补金属氧化物半导体外围电路组成,以支持完整的片上学习。作者进一步演示了,跨各种任务的端到端片上增强学习improvement learning ,包括运动控制、图像分类和语音识别,实现了与软件相当的准确性和较低的硬件成本。这是内存计算领域的重要突破性进展。https://www.science.org/doi/full/10.1126/science.ade3483DOI: 10.1126/science.ade3483声明:仅代表译者个人观点,小编水平有限,如有不当之处,请在下方留言指正!