ترجمه فارسی مقاله معماری یادگیری در حافظه با استفاده از سلول y-flash

چکیده

The modern implementation of machine learning architectures faces significant challenges due to frequent data transfer between memory and processing units. In-memory computing, primarily through memristor-based analog computing, offers a promising solution to overcome this von Neumann bottleneck. In this technology, data processing and storage are located inside the memory. Here, we introduce a novel approach that utilizes floating-gate Y-Flash memristive devices manufactured with a standard 180 nm CMOS process. These devices offer attractive features, including analog tunability and moderate device-to-device variation; such characteristics are essential for reliable decision-making in ML applications. This paper uses a new machine learning algorithm, the Tsetlin Machine (TM), for in-memory processing architecture. The TM’s learning element, Automaton, is mapped into a single Y-Flash cell, where the Automaton’s range is transferred into the Y-Flash’s conductance scope. Through comprehensive simulations, the proposed hardware implementation of the learning automata, particularly for Tsetlin machines, has demonstrated enhanced scalability and on-edge learning capabilities.

چکیده به فارسی (ترجمه ماشینی)

اجرای مدرن معماری های یادگیری ماشین به دلیل انتقال مکرر داده ها بین واحدهای حافظه و پردازش با چالش های قابل توجهی روبرو است.محاسبات در حافظه ، در درجه اول از طریق محاسبات آنالوگ مبتنی بر Memristor ، یک راه حل امیدوارکننده برای غلبه بر این تنگنا فون نویمان ارائه می دهد.در این فناوری ، پردازش و ذخیره سازی داده ها در داخل حافظه قرار دارند.در اینجا ، ما یک رویکرد جدید را معرفی می کنیم که از دستگاه های یادبود y-flash شناور با استفاده از دروازه شناور ساخته شده با یک فرآیند استاندارد 180 نانومتر CMOS استفاده می کند.این دستگاه ها ویژگی های جذاب ، از جمله تنظیم آنالوگ و تغییر متوسط ​​دستگاه به دستگاه را ارائه می دهند.چنین خصوصیاتی برای تصمیم گیری قابل اعتماد در برنامه های ML ضروری است.در این مقاله از یک الگوریتم یادگیری ماشین جدید ، دستگاه Tsetlin (TM) برای معماری پردازش حافظه استفاده شده است.عنصر یادگیری TM ، Automaton ، در یک سلول Y-flash منفرد نقشه برداری می شود ، جایی که دامنه اتوماتیک به دامنه هدایت Y-Flash منتقل می شود.از طریق شبیه سازی های جامع ، اجرای سخت افزار پیشنهادی از Automata Learning ، به ویژه برای دستگاه های Tsetlin ، مقیاس پذیری پیشرفته و قابلیت های یادگیری بر روی لبه را نشان داده است.