머신러닝의 복잡성 증가는 모델 파라미터의 급격한 증가를 초래하며, 이에 따라 대규모 계산 시 상당한 전력 소모가 발생합니다. 신경모방 컴퓨팅은 벡터-행렬 곱셈을 통해 데이터 이동을 줄임으로써 효율적인 인-메모리 처리를 가능하게 합니다. 본 연구에서는 전도 및 역전파를 위한 별도의 시냅스 스트링 배열을 활용하여 강유전체 AND형 배열의 새로운 온칩 학습 방식을 제안합니다. HZO 기반 FeAND 배열을 제작하고, 선택적 프로그래밍, 다중 레벨 전도도 조절 및 신경모방 응용을 위한 벡터-행렬 곱셈을 HZO 기반 FeAND 배열에서 실험적으로 입증했습니다. 효율적인 온칩 학습을 위해 가중치 전치가 불필요하고 주변 회로 복잡성과 에너지 소비를 크게 줄이는 피드백 정렬 알고리즘을 적용했습니다. 마지막으로, 제안된 온칩 학습 방법의 경쟁력을 장치 특성을 반영한 하드웨어 인식 온칩 학습 시뮬레이션을 통해 검증했습니다.
Building similarity graph...
Analyzing shared references across papers
Loading...
M K Song
Changhyeon Han
Jaepil Choi
Advanced Intelligent Systems
Hanyang University
Hongik University
Building similarity graph...
Analyzing shared references across papers
Loading...
Song 등(화요일,)이 이 질문을 연구하였습니다.
www.synapsesocial.com/papers/69d895486c1944d70ce062f1 — DOI: https://doi.org/10.1002/aisy.202500842
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: