Bayesianisches neuronales Netzwerk auf Memristorbasis

Forscher von CEA-Leti, CEA-List und CNRS haben ein vollständiges Ergebnis erstellt Bayesianisches neuronales Netzwerk auf Memristorbasis Implementierung zur Klassifizierung von Arten von Arrhythmieaufzeichnungen mit präziser aleatorischer und epistemischer Unsicherheit.

Bayesianische neuronale Netze eignen sich zwar für sensorische Verarbeitungsanwendungen, die auf einer kleinen Menge verrauschter Eingabedaten basieren, da sie eine prädiktive Unsicherheitsbewertung ermöglichen. Die probabilistische Natur bedeutet jedoch einen erhöhten Energie- und Rechenaufwand durch die Verwendung von Zufallszahlengeneratoren, die die Wahrscheinlichkeitsverteilungen speichern.

„Wir haben die intrinsische Variabilität von Memristoren genutzt, um diese Wahrscheinlichkeitsverteilungen zu speichern, anstatt Zufallszahlengeneratoren zu verwenden“, sagte Elisa Vianello, leitende Wissenschaftlerin von CEA-Leti, in einer Pressemitteilung. Der Ansatz zur Durchführung von Inferenzen erfordert massive parallele Multiplikations- und Akkumulationsoperationen (MAC). „Diese Vorgänge sind aufgrund des Datentransfers zwischen Prozessor und Speicher stromintensiv, wenn sie auf CMOS-basierten ASICs und feldprogrammierbaren Gate-Arrays ausgeführt werden. In unserer Lösung verwenden wir Kreuzschienen aus Memristoren, die auf natürliche Weise die Multiplikation zwischen der Eingangsspannung und dem probabilistischen synaptischen Gewicht durch das Ohmsche Gesetz und die Akkumulation durch das aktuelle Kirchhoffsche Gesetz umsetzen, um den Stromverbrauch deutlich zu senken.“

Der Ansatz ermöglicht die Quantifizierung der Unsicherheit, wodurch das Netzwerk Situationen identifizieren kann, die außerhalb seiner Trainingsdaten liegen könnten. [1]

Hybride Phasenwechsel-Memristoren

Wissenschaftler der Universität Rochester entwickelten Hybrid-Widerstandsschalter die Memristoren und Phasenwechselmaterialien kombinieren.

„Wir haben die Idee eines Memristors und eines Phasenwechselgeräts auf eine Weise kombiniert, die über die Grenzen beider Geräte hinausgeht“, sagte Stephen M. Wu, Assistenzprofessor für Elektrotechnik und Computertechnik sowie für Physik in Rochester. in einer Veröffentlichung. „Wir stellen ein Memristorgerät mit zwei Anschlüssen her, das eine Kristallart in eine andere Kristallphase treibt. Diese beiden Kristallphasen haben unterschiedliche Widerstände, die man dann als Erinnerung speichern kann.“

Durch Dehnen der 2D-Materialien können sie sich an einem Punkt zwischen zwei verschiedenen Kristallphasen befinden und mit relativ wenig Kraft in beide Richtungen verschoben werden.

„Wir haben es entwickelt, indem wir das Material im Wesentlichen nur in eine Richtung gedehnt und in eine andere komprimiert haben“, fuhr Wu fort. „Auf diese Weise steigern Sie die Leistung um Größenordnungen. Ich sehe eine Möglichkeit, dass dies in Heimcomputern als ultraschneller und ultraeffizienter Speicherform landen könnte. Das könnte große Auswirkungen auf die Informatik im Allgemeinen haben.“ [2]

Memristives Gerät auf Silberbasis

Forscher der Sahmyook University und der Yonsei University schlagen die Verwendung von a vor Silberdispersiver Chalkogenid-Dünnfilm zum Widerstandsschalten in memristiven Geräten.

„Unser diffusives memristives Gerät auf Ag-Basis in einem Chalkogenid-Dünnfilm weist einen geringen Stromverbrauch auf und ahmt die Parallelverarbeitung des menschlichen Gehirns nach. Dadurch eignet es sich für die Implementierung in Crossbar-Arrays und erreichte eine Erkennungsrate von ~92 % in der handschriftlichen Ziffernerkennungsdatenbank des MNIST (Modified National Institute of Standards and Technology), sagte Min Kyu Yang, Professor an der Sahmyook University, in einer Erklärung .

Das Gerät benötigt keinen elektrischen Strom, um vor der Herstellung oder dem Betrieb chemische Veränderungen herbeizuführen, und zeigte in einer Umgebung von 85 °C für 2 Stunden sowohl Zustandserhaltung als auch zuverlässige Beständigkeit. [3]

Bibliographie

[1] Bonnet, D., Hirtzlin, T., Majumdar, A. et al. Mit Memristor-basierten Bayes'schen neuronalen Netzen die Unsicherheitsquantifizierung auf die Spitze treiben. Nat Commun 14, 7530 (2023). https://doi.org/10.1038/s41467-023-43317-9

[2] Hou, W., Azizimanesh, A., Dey, A. et al. Dehnungstechnik vertikaler Molybdänditellurid-Phasenwechsel-Memristoren. Nat Electron (2023). https://doi.org/10.1038/s41928-023-01071-2

[3] Su Yeon Lee, Jin Joo Ryu, Hyun Kyu Seo, Hyunchul Sohn, Gun Hwan Kim, Min Kyu Yang, Ag-dispersive Chalkogenidmedien für leicht aktivierte elektronische Memristoren, Applied Surface Science, Band 644, 2024, 158747, ISSN 0169 -4332, https://doi.org/10.1016/j.apsusc.2023.158747