ترجمه فارسی مقاله یادگیری روی تراشه با شبکه‌های عصبی مبتنی بر ممریستور: ارزیابی دقت و کارایی تحت تغییرات دستگاه، خطاهای هدایت و نویز ورودی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی On-Chip Learning with Memristor-Based Neural Networks: Assessing Accuracy and Efficiency Under Device Variations, Conductance Errors, and Input Noise
عنوان مقاله به فارسی یادگیری روی تراشه با شبکه‌های عصبی مبتنی بر ممریستور: ارزیابی دقت و کارایی تحت تغییرات دستگاه، خطاهای هدایت و نویز ورودی
نویسندگان M. Reza Eslami, Dhiman Biswas, Soheib Takhtardeshir, Sarah S. Sharif, Yaser M. Banad
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Neural and Evolutionary Computing,Materials Science,Machine Learning,محاسبات عصبی و تکاملی , علوم مواد , یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper presents a memristor-based compute-in-memory hardware accelerator for on-chip training and inference, focusing on its accuracy and efficiency against device variations, conductance errors, and input noise. Utilizing realistic SPICE models of commercially available silver-based metal self-directed channel (M-SDC) memristors, the study incorporates inherent device non-idealities into the circuit simulations. The hardware, consisting of 30 memristors and 4 neurons, utilizes three different M-SDC structures with tungsten, chromium, and carbon media to perform binary image classification tasks. An on-chip training algorithm precisely tunes memristor conductance to achieve target weights. Results show that incorporating moderate noise (<15%) during training enhances robustness to device variations and noisy input data, achieving up to 97% accuracy despite conductance variations and input noises. The network tolerates a 10% conductance error without significant accuracy loss. Notably, omitting the initial memristor reset pulse during training considerably reduces training time and energy consumption. The hardware designed with chromium-based memristors exhibits superior performance, achieving a training time of 2.4 seconds and an energy consumption of 18.9 mJ. This research provides insights for developing robust and energy-efficient memristor-based neural networks for on-chip learning in edge applications.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک شتاب دهنده سخت افزار محاسباتی در حافظه مبتنی بر Memristor برای آموزش و استنباط روی تراشه ، با تمرکز بر صحت و کارآیی آن در برابر تغییرات دستگاه ، خطاهای هدایت و سر و صدای ورودی ارائه شده است.این مطالعه با استفاده از مدل های ادویه ای واقع گرایانه از Memristors کانال خود کارگردانی فلزی مبتنی بر نقره (M-SDC) در دسترس است ، این مطالعه شامل غیر امکانات دستگاه ذاتی در شبیه سازی مدار است.این سخت افزار ، متشکل از 30 یادبود و 4 نورون ، از سه ساختار مختلف M-SDC با تنگستن ، کروم و رسانه های کربن برای انجام کارهای طبقه بندی تصویر باینری استفاده می کند.یک الگوریتم آموزش روی تراشه دقیقاً برای دستیابی به وزن هدف ، هدایت Memristor را تنظیم می کند.نتایج نشان می دهد که ترکیب سر و صدای متوسط ​​(<15 ٪) در طول آموزش باعث افزایش استحکام به تغییرات دستگاه و داده های ورودی پر سر و صدا می شود و با وجود تغییرات هدایت و صداهای ورودی ، به دقت 97 ٪ رسیده است.این شبکه خطای هدایت 10 ٪ بدون از دست دادن دقت قابل توجهی را تحمل می کند.نکته قابل توجه ، حذف پالس بازنشانی Memristor اولیه در طول آموزش ، زمان آموزش و مصرف انرژی را به میزان قابل توجهی کاهش می دهد.این سخت افزار که با Memristors مبتنی بر کروم طراحی شده است ، از عملکرد برتر برخوردار است و به زمان آموزش 2.4 ثانیه و مصرف انرژی 18.9 MJ می رسد.این تحقیق بینش هایی را برای توسعه شبکه های عصبی قوی و کارآمد مبتنی بر Memristor برای یادگیری روی تراشه در برنامه های EDGE فراهم می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.