文献

J-GLOBAL ID：201802242847042510   整理番号：18A2040835

ReRAMベースの神経形態システムの精度を高めるための量子化トレーニング法【JST・京大機械翻訳】

A Quantized Training Method to Enhance Accuracy of ReRAM-based Neuromorphic Systems

著者 (3件)： Yang Qing (Duke University, Department of Electrical and Computer Engineering, Durham, North Carolina, USA) ,  Li Hai (Duke University, Department of Electrical and Computer Engineering, Durham, North Carolina, USA) ,  Wu Qing (Air Force Research Laboratory, Information Directorate, New York,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ISCAS  ページ： 1-5  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深いニューラルネットワーク(DNNs)は人工知能分野において非常に応用されている。DNNsの性能はより複雑でより深い構造により連続的に改善されるが,組込みシステムへの展開の実現可能性は重要な問題として残っている。抵抗性ランダムアクセスメモリ(ReRAM)に基づく神経形態システム設計は,電力効率的DNN雇用の機会を提供する。しかし,それは限られたプログラミング分解能の挑戦に遭遇する。本論文では,ReRAMに基づく神経形態システムの性能を強化するために,量子化訓練法を提案した。パラメータ分布を制約するために専用の正則化項を損失関数に用いる以前の方法とは異なり,著者らの量子化訓練法は,制限されたパラメータ精度の影響を軽減するために,同時に訓練と量子化を扱う。訓練後に得られた離散パラメータを持つモデルは,ReRAMデバイス上に直接マッピングできる。多層パーセプトロン(MLP)と畳込みニューラルネットワーク(CNN)を用いた画像認識タスクの実験を行った。結果は,量子化訓練法が完全精度訓練の精度を近似できることを証明した。例えば,二元ReRAMに基づく二層MLPは,MNISTデータセットに対して0.25%だけ分類精度を減少させる。さらに,ReRAMの低いプログラミング分解能の下での層サイズの重要性,コンボリューション層と完全接続層に対する異なるパラメータ分解能要求,および量子化訓練後のReRAM変化に対するシステムのロバスト性を注意深く調べ,提示した。コードは,https:/github.com/qingyangqing/量子化-rrame-netで利用可能である。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： RAM【メモリ】 ,  ロバスト性 ,  多層パーセプトロン ,  畳込み ,  人工知能 ,  電力効率 ,  画像認識 ,  ニューラルネットワーク ,  システム設計 ,  正則化 ,  *量子化 ,  分解能
準シソーラス用語： 分類精度 ,  *神経 ,  *ReRAM , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： ReRAM ,  神経 ,  形態 ,  量子化 ,  トレーニング