文献

J-GLOBAL ID：202002226986270631   整理番号：20A1796065

アナログニューラルネットワークプロセッサのためのその場低精度移動学習によるシステムレベルにおけるプロセス変動のキャリブレーション【JST・京大機械翻訳】

Calibrating process variation at system level with in-situ low-precision transfer learning for analog neural network processors

著者 (8件)： Jia Kaige (Tsinghua University, Beijing, China) ,  Liu Zheyu (Tsinghua University, Beijing, China) ,  Wei Qi (Tsinghua University, Beijing, China) ,  Qiao Fei (Tsinghua University, Beijing, China) ,  Liu Xinjun (Tsinghua University, Beijing, China) ,  Yang Yi (Tsinghua University, Beijing, China) ,  Fan Hua (University of Electronic Science and Technology of China, Chengdu, China) ,  Yang Huazhong (Tsinghua University, Beijing, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： DAC ’18  ページ： 1-6  発行年： 2018年 
JST資料番号： D0698C  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： プロセス変動(PV)は,アナログニューラルネットワーク(ANN)プロセッサの精度損失を引き起こし,また,実現可能性劣化と同様に,それを縮小するのを困難にする。本論文は,最初にANNチップの性能に関するPVの影響を分析する。次に,低精度逆伝搬によるPVの影響を減らすために,システムレベルでのin-situ移動学習法を提案した。シミュレーション結果は,提案方法が,ベンチマークの1%未満の精度損失で,操作点ドリフトの50%耐性とミスマッチの70%~100%耐性を増加できることを示した。また,従来の完全精度(32ビットフロート)訓練システムと比較して,学習段階において66.7%のメモリを減少して,約50倍のエネルギー効率改善があった。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  シミュレーション ,  *学習 ,  *ニューラルネットワーク ,  アナログ系 ,  ドリフト ,  *演算プロセッサ ,  ベンチマーク ,  エネルギー効率
準シソーラス用語： *プロセス変動 ,  訓練システム , 【Automatic Indexing@JST】

著者キーワード (4件)： アナログニューラルネットワーク ,  in-situ伝達学習 ,  低精度 ,  プロセス変動

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (3件)： 学習 ,  プロセス変動 ,  キャリブレーション