抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本研究では,シナプス重み要素が強誘電体ドメイン動力学によって制御される効率的な深層ニューラルネットワーク(DNN)加速器について報告した。新しいシナプスデバイスをベンチマークするための統合デバイス対アルゴリズムフレームワークを用いた。P(VDF-TrFE)ベースの強誘電体トンネル接合において,アナログコンダクタンス状態をカスタムパルスプロトコルを用いて測定し,DNN訓練のためのカスタム回路とアレイアーキテクチャをシミュレーションした。著者らの結果は,マルチドメインにおける分極スイッチング動力学の正確な制御を示し,多結晶強誘電体薄膜は金属-ferroelectric-半導体(MFS)トンネル接合においてかなりの重量更新線形性を生成できる。これらのデバイスの超高速スイッチングと低接合電流は,極めてエネルギー効率の良い動作を提供する。ハードウェア開発,キャラクタリゼーションおよびモデリングの統合プラットフォームを通して,著者らは,効率的なDNN訓練および推論タスクのために,同一ポテンシーティングおよび抑圧パルスの下で線形性が予測される利用可能なコンダクタンス範囲を予測した。用例として,シナプス重み要素としてMFS接合を有するアナログクロスバーベースのDNN加速器は,大きなMNIST手書き数字データセットで~93%の訓練精度を示し,一方,作付画像では,95%の精度を達成した。1つの観察された課題は,1V以下の同じポテンショニングと抑圧パルスの下で動作しながら,むしろ動的コンダクタンス範囲である。重み更新線形性を失うことなく,動的コンダクタンス範囲を改善するために,調査が進行中である。【JST・京大機械翻訳】