هم طراحی دستگاه-مدار برای سیناپس های نورومورفیک خطی: نقش ساختار دو-لایه TaO_y/HfO_x و پروتکل پالس دهی دینامیک در غلبه بر محدودیت های استوکاستیک

محاسبات نورومورفیک مبتنی بر ممریستور، نویدبخش غلبه بر گلوگاه فون نویمان در پردازش هوش مصنوعی لبه (Edge AI) است. با این حال، استفاده عملی از ممریستورهای اکسید فلزی به عنوان سیناپس مصنوعی با چالش های جدی "غیرخطی بودن" و "عدم تقارن" در به روزرسانی وزن ها مواجه است که منجر به افت شدید دقت آموزش در شبکه های عصبی می شود. در این مقاله، ما یک رویکرد هم طراحی (Co-design) سخت افزاری-الگوریتمی را ارائه می دهیم. در سطح دستگاه، ما یک ساختار دو-لایه جدید را معرفی می کنیم که با ایجاد فیدبک منفی دوگانه (الکتریکی و حرارتی)، رشد ناگهانی فیلامنت را مهار می کند. در سطح مدار، ما پروتکل "پالس دهی برنامه ریزی افزایشی" (IPP) را پیشنهاد می کنیم که با تعدیل دینامیک ولتاژ، محدودیت های فیزیکی باقی مانده را جبران می نماید. نتایج شبیه سازی نشان می دهد که این رویکرد ضریب غیرخطی بودن را از 2.8 (در نمونه های استاندارد) به 0.65 کاهش می دهد. ارزیابی های سیستمی بر روی شبکه عصبی اسپایکی (SNN) نشان می دهد که حتی با در نظر گرفتن نویز تغییرپذیری چرخه-به-چرخه ، سیستم پیشنهادی به دقت 95.8٪ در دسته بندی دیتاست MNIST دست می یابد. تحلیل های ما اثبات می کند که کاهش 85 درصدی در تعداد ایپاک های همگرایی، سربار انرژی و مساحت ناشی از مدارهای درایور IPP را کاملا توجیه می کند.

Keywords:

ممریستور , محاسبات نورومورفیک , هم طراحی سخت افزار-الگوریتم , خطی بودن سیناپسی , شبکه های عصبی اسپایکی