Intrinsic Spike Timing Dependent Plasticity in Stochastic Magnetic Tunnel Junctions Mediated by Heat Dynamics
对高效认知计算的追求引起了类脑计算领域的广泛研究兴趣。类脑计算的目标是使用固态设备和电路来模拟生物神经元和突触的行为。在各种方法中,新兴的非易失性存储器技术对于模仿神经突触行为特别感兴趣。这些设备允许将生物神经元和突触的丰富动态映射到其固有的设备物理上。在这封信中,我们专注于尖峰定时依赖可塑性(STDP)的生物突触的行为,并提出了一种方法来实现的STDP行为的磁性隧道结(MTJ)器件。具体来说,我们利用时间依赖的热动力学和MTJ的响应的瞬时温度来模仿STDP行为。我们的模拟,基于宏观自旋模型的磁化动力学,表明,STDP可以通过施加简单的电压波形作为前和后神经元在MTJ器件上的尖峰响应,在随机磁性隧道结中模仿。
2021-08-28 cs.ET cs.NE
Implementing Bayesian Networks with Embedded Stochastic MRAM
具有低势垒磁体的磁性隧道结(MTJ)已被用于实现随机数发生器(RNG),并且最近已经表明,连接到常规晶体管的漏极的这种MTJ提供三端可调谐RNG或$p$位。在这封信中,我们将展示如何使用这个$p$位来构建一个模拟贝叶斯网络(BN)的$p$电路,从而可以从相应电路节点上的电气测量中获得真实世界变量的相关性。$p$电路设计分两步进行:首先将BN转换为称为概率自旋逻辑(PSL)的行为模型,其由无量纲偏置(h)和互连(J)系数定义,然后将其转换为电子电路元件。作为一个基准的例子,我们模仿一个三代的家谱,并表明从SPICE兼容的电路模拟器计算的遗传相关性匹配众所周知的结果。
2018-04-02 cs.ET
Antiferromagnetic Tunnel Junctions (AFMTJs) for In-Memory Computing: Modeling and Case Study
Department of Electrical and Computer Engineering The University of Arizona, USA(亚利桑那大学电气与计算机工程系)
AFMTJs通过多子晶格LLG动力学与电路建模结合,实现内存计算中的低功耗高效运算,显著优于传统MTJ方案。
2026-02-09 cs.AR cs.ET
Straintronic magneto-tunneling-junction based ternary content addressable memory
应变磁隧穿结(s-MTJ)开关的电阻由MTJ的磁致伸缩自由层中的电压产生的应变控制,其是在切换期间将耗散几个aJ能量的极其节能的开关。不幸的是,它们也相对容易出错,并且具有低电阻开/关比。这表明,作为计算元素,它们最适合非布尔架构。在这里,我们提出并分析了一个三进制内容可寻址存储器实现的s-MTJ和一些晶体管。它克服了传统全晶体管实现所遇到的挑战,从而实现了极高的单元密度。
2016-10-21 cs.ET
AI-Guided Codesign Framework for Novel Material and Device Design applied to MTJ-based True Random Number Generators
University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Sandia National Laboratories(桑迪亚国家实验室)
针对新型器件设计耗时繁琐的问题,提出AI引导的协同设计框架,结合强化学习与进化优化,优化用于真随机数生成的两类MTJ器件属性,实现目标分布随机采样的同时降低能耗。
2024-11-01 cs.ET cs.LG cs.NE
Ising spin model using Spin-Hall Effect (SHE) induced magnetization reversal in Magnetic-Tunnel-Junction
伊辛自旋模型因其向低能态收敛的自然趋势而被认为是求解组合优化问题的一种有效计算方法。伊辛模型的基本功能可以分为两个部分,“退火和多数表决”。本文提出了一种基于自旋霍尔效应(SHE)的磁性隧道结(MTJ)中磁化翻转的伊辛单元。我们提出的基于SHE诱导MTJ开关的伊辛单元的随机性,可以通过防止系统陷入具有局部最小值的解决方案来实现自然退火过程。此外,通过控制通过MTJ下面的重金属(HM)的电流,我们可以模拟决定各个自旋的下一个状态的多数表决函数。通过求解耦合\textit{Landau-Lifshitz-Gilbert}(LLG)方程,我们证明了我们的伊辛细胞可以复制映射某些组合问题。我们目前的结果为两个代表性的问题-最大割和图着色-来说明所提出的设备电路配置在解决组合问题的可行性。我们提出的解决方案,使用重金属(HM)的MTJ器件可以利用实现紧凑,快速,节能的伊辛自旋模型。
2016-09-25 cs.ET
Smart Material Implication Using Spin-Transfer Torque Magnetic Tunnel Junctions for Logic-in-Memory Computing
智能材料蕴涵(SIMPACK)逻辑最近已经被提出用于基于非易失性电阻存储器器件的节能逻辑存储器(LIM)架构的设计。SIMPLE逻辑是通过在传统IMPLE方案中增加一个比较器来实现的。这允许仅在实际需要的情况下执行初步的读取操作和因此的设置操作。这项工作探讨了SIMPLE逻辑方案使用纳米级自旋转移矩磁隧道结(STT-MTJ)器件。STT-MTJ的SIMPLE架构的性能进行了分析,通过改变负载电阻和施加的电压来实现读取和设置操作,同时还调查温度对电路工作的影响。得到的结果表明,现有的出错率和能量消耗之间的折衷,这可以有效地管理通过适当地设置负载电阻和施加的电压的值。此外,我们的分析证明,通过在比较器的输入端处的与绝对温度成比例(PTAT)的参考电压来跟踪MTJ特性的温度依赖性有利于减轻温度变化下的可靠性退化。
2022-05-19 cs.ET physics.app-ph
Experimental demonstration of an integrated on-chip p-bit core utilizing stochastic Magnetic Tunnel Junctions and 2D-MoS2 FETs
本文首次实验演示了将随机磁性隧道结与2D-MoS2 FET集成的片上p-bit核心,实现电压可控随机性,并通过电路仿真分析3T-1MTJ设计中各组件特性对输出的影响,为未来规模化片上p-bit网络提供关键设计规则。
2023-10-17 cond-mat.mes-hall cs.ET
CMOS-Free Multilayer Perceptron Enabled by Four-Terminal MTJ Device
类脑计算有望对处理非结构化信息的应用程序进行革命性的改进。为了充分实现这一潜力,神经形态系统应该利用新兴纳米器件的仿生行为。特别是,自旋电子器件的非易失性和模拟能力提供了特殊的机会。虽然先前已经提出了模拟神经元和突触的自旋电子器件,但需要互补金属氧化物半导体(CMOS)器件来实现多层自旋电子感知器交叉开关。因此,这项工作提出了一种新的自旋电子神经元,使纯粹的自旋电子多层感知器,消除了对CMOS电路的需要,简化了制造。
2020-02-03 cond-mat.mes-hall cs.ET cs.NE
A Voltage-controlled MTJ-CMOS Neuron Emulating Tunable Izhikevich-Inspired Dynamics
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Northwestern University(西北大学);George Mason University(乔治梅森大学)
本文提出一种结合电压控制磁隧道结与CMOS电路的可重构Izhikevich神经元,实现五种放电模式,能耗145.44 fJ/尖峰,推理尖峰活动降低88.6%。
2026-09-29 cs.AR cs.ET cs.NE
SPINBIS: Spintronics based Bayesian Inference System with Stochastic Computing
贝叶斯推理是解决统计学习问题的一种有效方法,特别是在不确定性和不完全性的情况下。然而,贝叶斯推理是一个计算密集型的任务,其效率在物理上受到传统计算平台瓶颈的限制。在这项工作中,自旋电子学为基础的随机计算方法提出了有效的贝叶斯推理。利用自旋电子器件固有的随机开关特性,设计了一种用于CMOS/MTJ混合电路随机计算的随机比特流发生器(SBG)。为了提高推理效率,利用SBG共享策略,通过在SBG阵列和随机计算逻辑之间集成开关网络来减少所需的SBG阵列规模。提出了一种从设备到体系结构的评估自旋电子学贝叶斯推理系统(SPINBIS)性能的框架。数据融合应用的实验结果表明,SPINBIS可以提高能源效率约12倍的MTJ为基础的方法,45%的设计面积开销和约26倍的FPGA为基础的方法。
2019-02-19 cs.AR cs.ET
Maximizing Memory-Level Parallelism via Integrated Stochastic Logic-in-Memory Architectures
University of Minnesota(明尼苏达大学);Case Western Reserve University(凯斯西储大学);University of Louisiana at Lafayette(路易斯安那大学拉斐特分校)
本文提出一种基于磁隧道结内存的并行随机计算架构,通过在内存内实现端到端计算流水线,减少数据移动并提高并行性。
2026-04-25 cs.AR cs.ET eess.IV
Magnetic Tunnel Junction Mimics Stochastic Cortical Spiking Neurons
大脑启发的计算架构试图模仿在人类大脑中的神经元和突触中执行的计算,以实现其在学习和认知任务中的效率。在这项工作中,我们证明了映射的概率尖峰性质的锥体神经元在皮层的随机开关行为的磁隧道结中存在的热噪声。我们目前的结果来说明基于这种概率神经元的神经形态系统的效率,在存在侧抑制和稳态的模式识别任务。这样的随机MTJ神经元还可以潜在地提供到置信网络中的概率计算元件的直接映射以用于执行再生任务。
2017-12-19 cs.ET
Training of Quantized Deep Neural Networks using a Magnetic Tunnel Junction-Based Synapse
Technion - Israel Institute of Technology(以色列理工学院)
量化神经网络(QNN)作为深度神经网络的计算复杂性和存储强度的解决方案正在被积极研究。这引发了开发算法的努力,这些算法支持使用量化的权重和激活值进行推理和训练,而不会牺牲准确性。最近的一个例子是用于三进制(TNN)和二进制(BNN)神经网络随机训练的GXNOR框架。在本文中,我们将展示如何使用磁性隧道结(MTJ)器件来支持QNN训练。我们介绍了一种新的硬件突触电路,使用MTJ的随机行为,以支持的更新。所提出的电路能够处理QNN训练的近记忆(PNM),从而减少数据移动。我们在MNIST、SVHN和CIFAR 10数据集上模拟了基于MTJ的TNN随机训练,分别达到了98.61%、93.99%和82.71%的准确率(与GXNOR算法相比,下降不到1%)。我们评估了突触阵列的性能潜力,并表明所提出的突触电路可以原位训练三元网络,前馈18.3TOPs/W和3 TOPs/W的权重更新。
2022-05-29 cs.AR cs.ET cs.LG
Quantitative Evaluation of Hardware Binary Stochastic Neurons
最近有越来越多的活动,建立专用伊辛机,以加速解决组合优化问题,通过表达这些问题作为一个基态搜索的伊辛模型。这种伊辛机的一个共同主题是将底层硬件的物理特性定制为伊辛模型的数学特性,以改善性能的某些方面,这些方面是以解决方案的速度、每个解决方案的能耗或所采用硬件的面积占用来衡量的。构建伊辛自旋或二进制随机神经元(BSN)的一种这样的方法是基于基于低势垒纳米磁体的设计的紧凑混合信号单元,其使用单个磁性隧道结(MTJ)和三个晶体管(3 T-1 MTJ),其中MTJ用作随机电阻器(1 SR)。这种紧凑的单元可以大大减少BSN的占地面积,同时通过利用现有的磁性RAM(MRAM)技术(其以~Gbit的密度集成了1 T-1 MTJ单元)来保证大规模的可扩展性。然而,3 T-1 SR设计可以使用提供自然波动电阻的不同材料或器件来实现。扩展以前的工作,我们从这个一般的角度来评估硬件BSN分类的必要和充分条件,设计一个快速和节能的BSN,可用于规模伊辛机实现。我们将我们的设备分析与系统级指标联系起来,强调硬件独立的品质指标,如每秒翻转次数和每个随机位的耗散能量,这些指标可用于对任何伊辛机进行分类。
2021-06-18 cond-mat.mes-hall cs.ET
IRC: Cross-layer design exploration of Intermittent Robust Computation units for IoTs
能量收集驱动的计算提供了有趣的和巨大的机会,通过利用周围的能源来实现无电池计算,从而极大地改变物联网(IoT)设备的格局。为了在受限的能量容量和不稳定性配置文件内操作,建议将间歇鲁棒计算(IRC)单元创新为利用基于自旋的开关器件中固有的非易失性的新的占空比可变计算方法。IRC的基础将通过扩展自旋霍尔效应磁性隧道结(SHE-MTJ)器件从器件级向上推进。然后,该器件将用于实现SHE-MTJ多数/多态门(MG/PG)逻辑方法和库。然后,一个逻辑嵌入式触发器(LE-FF)的开发,实现基本的布尔逻辑功能,随着一个紧凑的足迹内固有的状态保持能力。最后,NV-聚类综合过程和相应的工具模块,提出了在传统的寄存器传输语言(RTL)规范的实例化的LE-FF库单元。这基于能量和面积最小化标准选择性地将逻辑和NV状态保持功能聚集在一起。它还实现了中间件一致性,间歇性计算,而没有检查点,微任务或软件膨胀和对物联网至关重要的能源开销。包括ISCAS-89在内的各种基准电路的仿真结果验证了功能和功耗、面积和延迟优势。
2019-04-23 cs.AR cs.ET
Controllable reset behavior in domain wall-magnetic tunnel junction artificial neurons for task-adaptable computation
由于CMOS驱动的冯·诺依曼计算的局限性,使用自旋电子器件的神经形态计算已经引起了人们的兴趣。畴壁磁性隧道结(DW-MTJ)器件已被证明能够固有地捕获生物神经元行为。边缘松弛行为,其中频繁激发的神经元经历较低的动作电位阈值,可以在执行重复任务时提供附加的人工神经元功能。在这项研究中,我们证明了这种行为可以通过三种替代机制:形状各向异性,磁场,和电流驱动的软复位在DW-MTJ人工神经元中实现。使用微磁学和分析设备建模来对Optdigits手写数字数据集进行分类,我们表明边缘放松行为提高了有序数据集的分类准确性和分类率,同时牺牲了随机数据集的很少或没有准确性。这项工作建立了人工自旋电子神经元可以灵活地适应数据集的方法。
2021-01-08 cond-mat.mes-hall cs.ET cs.NE
On Memory System Design for Stochastic Computing
设计参数(因此,在设计功能)的不确定性不断增加,使得随机计算特别有前途,它表示和处理数据作为量化的概率。然而,由于数据表示的差异,在随机计算系统中集成常规存储器(针对非随机计算而设计和优化)不可避免地引起显著的数据转换开销。迄今为止,几乎没有任何随机计算建议涵盖内存影响。在本文中,作为第一次研究其尽我们所知,我们重新考虑随机计算的存储系统设计。其结果是一个无缝的随机系统StochMem,它的特点是模拟存储器,以换取计算精度的数据转换的能量和面积开销。以这种方式,StochMem可以减少高达52.8%(93.7%)的能量(面积)开销,代价是计算精度损失至多0.7%。
2017-09-25 cs.ET
Stochastic Synthesis for Stochastic Computing
随机计算(SC)是一种新兴的计算技术,它提供了更高的计算密度,和更低的二进制编码(BE)计算的功率。与BE计算不同,SC将值编码为概率比特流,这使得设计新电路不直观。用于合成SC电路的现有技术限于特定类别的功能,例如多项式评估或常数缩放。在本文中,我们提出使用随机综合,这本来是一个程序合成技术,自动化的任务,合成新的SC电路。我们的研究结果表明,随机合成比过去的技术更普遍,可以合成手动设计的SC电路,以及新的,如一个近似平方根单位。
2018-10-10 cs.ET
Magnetic Tunnel Junctions for Timekeeping in Intermittent Computing Systems
Georgia Institute of Technology(佐治亚理工学院);Northwestern University(西北大学)
研究针对无电池间歇系统停电擦除计时状态的问题,提出FLINT计时装置,利用“损坏”MTJ阵列随机保留损耗读取时间,经验证和模拟,该装置能耗低、面积小、误差小且调度错误少。
2026-08-03 cs.AR cs.ET cs.SY
FALCON: Fault-Tolerant Magnetic Tunnel Junction-Based In-Memory Stochastic Architecture for Reliability-Critical Edge AI Applications
University of Minnesota(明尼苏达大学);Case Western Reserve University(凯斯西储大学);University of Louisiana at Lafayette(路易斯安那拉斐特大学)
该研究针对边缘AI应用的能效与可靠性需求,提出基于MTJ和随机计算的容错存内架构FALCON,经14 nm FinFET工艺实验验证其在严苛条件下仍具备正确功能,可用于可靠性关键型边缘AI场景。
2026-09-02 cs.AR cs.ET eess.IV
From Stochastic to Bit Stream Computing: Accurate Implementation of Arithmetic Circuits and Applications in Neural Networks
在这项研究中,我们提出了一种新的计算范式“比特流计算”,这是构建在随机计算中使用的逻辑,但不一定采用随机或二项分布的比特流随机计算。任何类型的流都可以随机或确定地使用。所提出的范例受益于随机逻辑的面积优势和传统二进制逻辑的精度优势。我们实现精确的算术乘法器和加法器电路,分为异步或同步,我们也考虑他们的处理连续流的适用性。采用AMS 0.35 μ m CMOS工艺对所提出的电路进行了门级和管级仿真,以显示电路的实用潜力。我们彻底比较建议的加法器和乘法器与他们的前辈在文献中,单独和在神经网络应用。在面积和精度方面进行的比较明显有利于所提出的设计。我们相信,这项研究开辟了新的视野计算,使我们能够实现更小,但准确的算术电路相比,传统的二进制和随机的。
2019-04-27 cs.ET
Probabilistic-Bits based on Ferroelectric Field-Effect Transistors for Stochastic Computing
本文首次提出基于铁电场效应晶体管的概率比特,利用热噪声诱导的偶极子波动产生可调随机比特流,并通过整数分解验证功能,兼具低成本与CMOS兼容性。
2023-02-05 cs.ET
Synthesizing Number Generators for Stochastic Computing using Mixed Integer Programming
随机计算(SC)是一种高密度、低功耗的计算技术,它将值编码为一元比特流,而不是二进制编码(BE)值。实际的SC实现需要确定性的或伪随机数序列,其被最佳地相关以生成比特流并实现准确的结果。不幸的是,搜索空间的大小使得手动设计最佳相关的数字序列成为一项困难的任务。为了自动化这个设计负担,我们提出了一个合成配方,使用混合整数规划自动生成最佳相关的数字序列。特别是,我们的合成公式将乘法和平方电路等算术运算的准确度分别提高了2.5倍和20倍。我们还展示了如何我们的技术可以扩展到规模更大的电路。
2019-02-26 cs.ET
Stochastic Computing for Hardware Implementation of Binarized Neural Networks
二进制神经网络是最近发现的一类具有最小存储器需求且不依赖乘法的神经网络,是实现紧凑且节能的推理硬件的绝佳机会。然而,这样的神经网络通常不是完全二进制化的:它们的第一层保持固定点输入。在这项工作中,我们提出了一个随机计算版本的二进制神经网络,其中输入也被二进制化。对Fashion-MNIST和CIFAR-10数据集的仿真结果表明,该网络的性能接近传统二值化神经网络。我们的证据表明,培训过程中应适应随机计算使用。最后,ASIC实现我们的计划进行了调查,在一个系统中,密切相关的逻辑和存储器,实现自旋力矩磁阻随机存取存储器。该分析表明,随机计算方法可以允许在面积方面相对于传统的二值化神经网络有相当大的节省(在Fashion-MNIST任务上减少62%的面积)。如果我们接受合理的精度降低,它还可以在能源消耗方面实现重要的节省:例如,Fashion-MNIST测试精度可以节省2.1倍,成本为1.4%。这些结果突出了二值化神经网络在硬件实现方面的高潜力,并且使它们适应硬件约束可以提供重要的好处。
2019-06-03 cs.ET
Stochastic Magnetoelectric Neuron for Temporal Information Encoding
模拟大脑计算原理的各个方面可能会导致能够表现出类似大脑的认知能力的神经计算机的发展。在这封信中,我们提出了一个磁电子神经元,利用噪声作为计算资源,并能够编码信息随着时间的推移,通过独立控制外部电压信号。我们广泛的设备操作的特点,使用模拟和证明其适用性的类脑计算平台进行时间信息编码。
2019-12-29 cs.ET
Principles of Stochastic Computing: Fundamental Concepts and Applications
半导体和IC行业正面临着高能耗的问题。现代计算机和处理系统是基于图灵机和冯·诺依曼的体系结构设计的。这种架构主要关注基于确定性行为的系统设计。为了解决系统的能耗和可靠性问题,引入了随机计算。在这项研究中,我们的目标是审查和研究随机计算及其实现技术背后的原则。通过利用随机计算,我们可以在设计运算单元方面实现更高的能量效率和更小的面积大小。此外,我们的目标是推广随机系统在设计未来BLSI和神经形态系统的联系。
2020-11-08 cs.CV cs.ET
Fuse and Mix: MACAM-Enabled Analog Activation for Energy-Efficient Neural Acceleration
模拟计算已被认为是一个有前途的低功耗替代数字对应的神经网络加速。然而,传统的模拟计算主要是以混合信号的方式。繁琐的模拟/数字(A/D)转换成本极大地限制了整个系统的能效。在这项工作中,我们设计了一个有效的模拟激活单元与磁性隧道结(MTJ)为基础的模拟内容可寻址存储器(MACAM),同时实现非线性激活和A/D转换融合的方式。为了弥补新生的,因此目前有限的MACAM表示能力,我们建议将我们的模拟激活单元与数字激活混合。一个完全差分框架,SuperMixer,开发搜索优化的激活工作负载分配,适应各种激活能量约束。我们所提出的方法的有效性进行了评估硅光子加速器。与标准激活实现相比,我们的混合激活系统与搜索分配可以达到竞争力的准确性与$>$ 60%的A/D转换和激活节能。
2022-08-17 cs.AR cs.ET
Stochastic Computing with Integrated Optics
随机计算(SC)允许降低硬件复杂度并提高错误弹性应用的能量效率。然而,计算范例的主要限制是由比特流的固有串行计算引起的低吞吐量。在本文中,我们解决的实现SC在光域中,以提高计算速度的目的。我们实现了一个通用的光学架构,允许执行多项式函数。我们提出了设计方法来探索设计空间,以优化关键指标,如电路的鲁棒性和功耗。我们表明,一个电路实现一个二阶多项式次数的功能,并在1GHz的工作导致20.1pJ的激光消耗每计算位。
2019-03-26 cs.ET physics.optics
sBSNN: Stochastic-Bits Enabled Binary Spiking Neural Network with On-Chip Learning for Energy Efficient Neuromorphic Computing at the Edge
在这项工作中,我们提出了随机二进制脉冲神经网络(sBSNN)的随机脉冲神经元和二进制突触(随机只在训练过程中),计算概率与一位精度的功率效率和内存压缩的类脑计算。我们提出了一种节能的实现所提出的sBSNN使用“随机位”作为核心计算原语,以实现随机神经元和突触,这是在90纳米CMOS工艺制造,实现高效的片上训练和推理的图像识别任务。测量的数据表明,“随机位”可以被编程为模仿尖峰神经元,以及用于训练二进制突触权重的随机尖峰定时依赖可塑性(或sSTDP)规则,而无需昂贵的随机数生成器。我们的研究结果表明,与全精度(32位)SNN相比,所提出的sBSNN实现提供了高达32倍的神经元和突触记忆压缩的可能性,并且对于双层全连接SNN,能量效率为89.49 TOPS/W。
2020-02-25 cs.AR cs.ET
Stochastic Memristive Devices for Computing and Neuromorphic Applications
纳米级电阻开关器件(忆阻器件或忆阻器)已经被研究用于从非易失性存储器、逻辑到神经形态系统的许多应用。然而,一个主要的挑战是解决这些纳米级器件在空间和时间上的潜在大变化。在这里,我们表明,在基于金属丝的忆阻器件的开关可以是完全随机的。虽然单个切换事件是随机的,但切换的分布和概率可以很好地预测和控制。电阻开关的固有随机性质允许这些二进制器件用作新型容错计算方案(例如随机计算)的构建块,而不是试图使用过多的电压或时间来强制高开关概率,并在神经形态应用中提供所需的“模拟”特征。为了验证这种潜力,我们在时间和空间域中展示了基于忆阻器的随机比特流,并表明二进制忆阻器阵列可以作为神经形态应用的多级“模拟”设备。
2013-04-22 cond-mat.other cs.ET
Optical Stochastic Computing Architectures Using Photonic Crystal Nanocavities
随机计算允许使用比特流的串行处理来大幅降低硬件复杂性。虽然诱导的高计算延迟可以克服使用集成光学技术,现实的光学随机计算架构的设计需要节能的开关器件。光子晶体(PhC)纳米腔是$μm^2$级器件,在皮秒级开关速度下提供100 fJ开关操作。制造工艺允许控制每个纳米腔谐振的品质因数,从而有机会实现涉及级联门和多波长信号的架构。在这份报告中,我们调查的级联门架构的设计,使用纳米腔的背景下,随机计算。我们提出了一个传输模型,考虑关键的纳米腔器件参数,如品质因数,谐振波长和开关效率。该模型与实验测量进行了校准。提出了“异”门和多路复用器的设计。我们说明了使用的门来设计一个边缘检测滤波器。针对灰度图像的处理,对激光功率、比特流长度和比特出错率进行了系统级探索。实验结果表明,该结构的功耗为8.5nJ/pixel,处理时间为512 ns/pixel.
2021-02-03 cs.ET physics.optics
Stateless Stochastic Computing for Generative AI on Superconducting Logic: A Model-Hardware Co-Design
University of Southern California(南加州大学)
该研究通过模型-硬件协同设计,在超导单磁通量子(SFQ)逻辑中实现无状态随机计算,构建类别条件流匹配图像生成器,减少约瑟夫森结用量,为生成式AI的超导硬件实现提供方案。
2026-10-14 cs.AR cs.ET
A Parallel Bitstream Generator for Stochastic Computing
随机计算具有容错性强、硬件成本低等特点,在神经网络、图像处理等领域具有广阔的应用前景。然而,比特流发生器,将一个二进制数转换为比特流,占用了很大的面积和能量消耗,从而削弱了SC的优越性。在本文中,我们提出了一种新的技术,用于产生比特流并行,它只需要一个时钟转换,显着降低了硬件成本。综合结果表明,提出的并行比特流生成器提高了2.5倍的面积和712倍的能耗。
2019-04-21 cs.AR cs.ET eess.SP
Stochastic logic in biased coupled photonic probabilistic bits
本文提出利用耦合偏置光学参量振荡器构成的相干伊辛机模拟随机逻辑,为概率计算提供实验可行的光子硬件方案,并通过全密度矩阵数值模拟验证其可行性。
2024-06-06 cs.ET physics.optics
Late Breaking Results: Fortifying Neural Networks: Safeguarding Against Adversarial Attacks with Stochastic Computing
本文提出将随机计算(SC)作为神经网络的防御机制,并通过严格实验验证其可显著降低对抗攻击导致输出被篡改的风险,提升模型安全性与可靠性。
2024-07-05 cs.CR cs.ET
Spintronics based Stochastic Computing for Efficient Bayesian Inference System
Fert Beijing Research Institute, BDBC, School of Electronic and Information Engineering(费尔北京研究院,大数据科学与脑机智能高精尖创新中心,电子信息工程学院);Fert Beijing Research Institute, BDBC, School of Computer Science and Engineering(费尔北京研究院,大数据科学与脑机智能高精尖创新中心,计算机科学与工程学院);Department of Electrical and Computer Engineering, Duke University(杜克大学电气与计算机工程系);Beihang University(北京航空航天大学)
贝叶斯推理是解决不确定性和不完全性统计学习问题的一种有效方法。然而,推理效率在物理上受到传统计算平台瓶颈的限制。本文提出了一种新兴的贝叶斯推理系统,利用自旋电子学为基础的随机计算。利用自旋电子器件固有的随机性,实现了随机比特流发生器作为核心部件。该系统的数据融合和贝叶斯信念网络的典型应用进行评估。仿真结果表明,该方法可以实现显着提高推理效率的功耗和推理速度。
2017-11-03 cs.AI cs.AR cs.ET
Reservoir Computing using Stochastic p-Bits
我们提出了一个通用的硬件框架,直接实现储备池计算,一个流行的软件方法,用于实现和训练递归神经网络,特别适合于时间推理和模式识别的网络建设。我们提供了一个具体的例子的候选硬件单元的基础上的组合的软磁铁,自旋轨道材料和CMOS晶体管,可以实现这些网络。水库计算机的有效非冯-诺依曼硬件实现可以为在各种新兴系统中集成时间神经网络开辟一条途径,例如物联网(IoT),工业控制,生物和光传感器以及自动驾驶汽车。
2017-09-29 cond-mat.mes-hall cs.ET cs.NE
Memristive Stochastic Computing for Deep Learning Parameter Optimization
College of Science and Engineering, James Cook University(詹姆斯库克大学科学与工程学院);University of Michigan(密歇根大学)
随机计算(SC)是一种计算范式,它允许使用随机比特流和数字逻辑进行各种算术运算的低成本和低功耗计算。与二进制域中使用的传统表示方案相比,随机域中的比特流序列是无关紧要的,并且计算通常是不确定的。在这篇简报中,我们利用概率传导桥接RAM(CBRAM)设备切换期间的随机性来有效地生成随机比特流,以便执行深度学习(DL)参数优化,将乘法和累加(MAC)单元的大小减少5个数量级。我们证明,在使用40纳米互补金属氧化物半导体(CMOS)工艺,我们的可扩展架构占用1.55毫米$^2$和消耗约167 $μ$ W时,优化参数的卷积神经网络(CNN),而它正在接受训练的字符识别任务,观察没有显着减少训练后的准确性。
2021-03-11 cs.AI cs.AR cs.ET
Improved Data Encoding for Emerging Computing Paradigms: From Stochastic to Hyperdimensional Computing
Case Western Reserve University(凯斯西储大学);University of Louisiana at Lafayette(路易斯安那大学拉斐特分校)
本文提出采用硬件友好的VDC-2^n低偏差序列生成随机数的编码策略,以改善SC与HDC系统的相关性、硬件复杂度、精度和能效。
2025-01-06 cs.AI cs.ET cs.LG
SCONNA: A Stochastic Computing Based Optical Accelerator for Ultra-Fast, Energy-Efficient Inference of Integer-Quantized CNNs
University of Kentucky(肯塔基大学)
CNN推理任务的加速使用通常被转换为矢量点积(VDP)运算的卷积运算。已经提出了几种基于光子微谐振器(MRR)的硬件架构来加速整数量化的CNN,与它们的电子对应物相比具有显著更高的吞吐量和能量效率。然而,现有的基于光子MRR的模拟加速器在可实现的输入/权重精度和VDP操作大小之间表现出非常强的权衡,这严重限制了它们对于4比特和更高的量化输入/权重精度的可实现的VDP操作大小。受限的VDP操作大小最终抑制了计算吞吐量,从而严重降低了可实现的性能优势。为了解决这个缺点,我们首次提出了随机计算和基于MRR的CNN加速器的合并。为了利用随机计算固有的精度灵活性,我们发明了一种基于MRR的光学随机乘法器(OSM)。我们采用多个OSM的级联方式使用密集波分复用,打造一种新的基于随机计算的光学神经网络加速器(SCONNA)。SCONNA实现了显着的高吞吐量和能源效率,以加速高精度量化CNN的推理。我们在8位输入/权重精度下对四个现代CNN的推理进行的评估表明,SCONNA在每秒帧数(FPS)、FPS/W和FPS/W/mm 2方面分别提供了高达66.5倍、90倍和91倍的改进,平均比先前工作中的两个基于光子MRR的模拟CNN加速器高,对于大型CNN,Top-1精度下降仅高达0.4%,对于小型CNN,则高达1.5%。我们开发了一个事务级、事件驱动的基于Python的模拟器,用于评估SCONNA和其他…
2023-02-14 cs.AI cs.AR cs.ET