In-Memory Resistive RAM Implementation of Binarized Neural Networks for Medical Applications
深度学习的出现大大加速了机器学习的发展。然而,在边缘部署深度神经网络受到其高内存和能耗要求的限制。随着新的内存技术的出现,新兴的二值化神经网络(BNN)有望减少即将到来的机器学习硬件一代的能源影响,使机器学习在边缘设备上,并避免通过网络传输数据。在这项工作中,提出了我们的实现采用混合CMOS -氧化铪电阻存储器技术后,我们建议的策略,将BNN应用于生物医学信号,如心电图和脑电图,保持精度水平,减少内存需求。我们研究了二进制化整个网络和二进制化单独的分类器部分时的内存精度权衡。我们还讨论了如何将这些结果转化为Imagenet任务上的面向边缘的Mobilenet~V1神经网络。这项研究的最终目标是实现智能自主医疗设备。
2020-06-20 cs.ET eess.SP
HW/SW Codesign for Robust and Efficient Binarized SNNs by Capacitor Minimization
本文提出CapMin硬件/软件协同设计方法,通过减少脉冲时间数量最小化模拟IF-SNNs的电容尺寸,实现超过14倍缩减,并扩展CapMin-V以增强对电流变化的鲁棒性。
2023-09-05 cs.AR cs.ET
Optical Reservoir Computing using multiple light scattering for chaotic systems prediction
储备池计算是一种相对较新的计算框架,基于具有固定权重的大型递归神经网络。已经提出了储备池计算的许多物理实现以提高速度和能量效率。在这项研究中,我们报告了新的进展,光学储备池计算使用多次光散射,以加速水库状态的递归计算。比较了两种不同的空间光调制技术,即相位调制和二进制幅度调制。相位调制是已经在储备池计算的其他光子实现中采用的有前途的方向。此外,我们报告了一个数字微镜为基础的储备池计算在高达640 Hz,超过两倍以前报道的频率使用远程控制的光学设备开发的LightOn,并提出了新的二值化策略,以提高性能的二值化储备池计算。
2019-08-27 cs.ET
Hardware-Algorithm Co-Design for Hyperdimensional Computing Based on Memristive System-on-Chip
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出了一种基于忆阻系统级芯片的超维计算硬件-算法协同设计方法,通过利用忆阻交叉bar阵列的随机性与面向硬件的编码技术,实现了在边缘设备上的高效能AI应用。
2025-12-23 cs.ET
Memristive, Spintronic, and 2D-Materials-Based Devices to Improve and Complement Computing Hardware
在数据驱动的经济中,几乎所有行业都受益于信息技术的进步-强大的计算系统对于快速技术进步至关重要。然而,如果我们不解决当前计算能力需求与现有技术所能提供的能力之间的差异,这一进展可能会放缓。提高能源效率的关键限制是与冯·诺依曼架构相关的数据传输成本的过度增长以及互补金属氧化物半导体(CMOS)技术(例如晶体管)的基本限制。在这篇透视文章中,我们讨论了三种可能在未来计算系统中发挥重要作用的技术:忆阻电子学,自旋电子学和基于2D材料的电子学。我们提出了如何这些可能会改变传统的数字计算机,并有助于采用新的范例,如类脑计算。
2022-07-01 cs.ET
Safety of self-assembled neuromorphic hardware
现代计算硬件的可扩展性受到物理瓶颈和高能耗的限制。这些限制可以通过受人脑启发的神经形态硬件(NMH)来解决。NMH在硬件级别上实现了信息处理的物理内置能力。换句话说,类似大脑的功能使硬件偏向于大规模的智能。神经形态计算范式需要一种新的方法来实现安全、可解释的AI。为了有效地应对人工智能错位的风险,安全研究可能需要扩大其范围,以包括NMH。最好的办法是支持目前从事NMH能力研究的人员从事安全和相关领域的工作。
2023-01-24 cs.ET
Robustness Verification of Binary Neural Networks: An Ising and Quantum-Inspired Framework
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出一种受Ising和量子启发的框架,用于验证二进制神经网络对对抗攻击的鲁棒性,通过转换为QUBO问题并利用量子计算技术实现。
2026-02-14 cs.ET
Prospects for non-linear memristors as so-far missing core hardware element for transferless data computing and storage
本文针对冯·诺依曼架构中存储与处理器分离导致的高能耗和计算瓶颈,探讨非线性忆阻器作为神经形态计算中融合存储与处理器单元的核心硬件元件的前景。
2024-03-29 cs.ET
Optical Hardware Accelerators using Nonlinear Dispersion Modes for Energy Efficient Computing
本文提出了一类新的硬件加速器,以减轻宽带流信号所携带的信息的采集,分析,存储和计算的瓶颈。
2015-06-25 cs.ET physics.optics
Hardware Security in Spin-Based Computing-In-Memory: Analysis, Exploits, and Mitigation Techniques
内存计算(Computing-in-memory,CIM)是为了缓解传统Von-Neumann体系结构中处理器-内存数据传输的瓶颈而提出的,而基于自旋电子学的磁存储器在实现CIM范式方面表现出了许多便利性。由于硬件安全已成为电路设计中的主要关注点之一,本文首次从安全的角度研究了基于自旋的内存计算(SpinCIM)。我们关注两个基本问题:1)如何利用新的SpinCIM计算范式来增强硬件安全性?2)这种新的SpinCIM计算模式引发了哪些安全问题?
2020-06-02 cs.AR cs.ET
Hardware-algorithm collaborative computing with photonic spiking neuron chip based on integrated Fabry-Pérot laser with saturable absorber
光子类脑计算已经成为一个有前途的途径,建立一个低延迟和能源效率的非冯诺依曼计算系统。光子脉冲神经网络(PSNN)利用类脑的时空处理机制实现高性能的类脑计算。然而,PSNN的非线性计算仍然是一个重大的挑战。本文首次提出并制作了一种基于可饱和吸收体集成法布里-珀罗激光器(FP-SA)的光子脉冲神经元芯片。实验证明了非线性神经元动力学,包括时间积分,阈值和尖峰的产生,不应期,和可扩展性,这提供了一个不可缺少的基本构建块,构建PSNN硬件。此外,我们提出了时间复用尖峰编码,以实现功能PSNN远远超出硬件集成规模的限制。实验证明,单光子脉冲神经元和级联光子脉冲神经元的PSNN能够实现硬件算法协同计算,并能利用监督学习算法完成分类任务,为多层PSNN解决复杂任务奠定了基础.
2022-04-18 cs.ET physics.optics
Efficient Design of Hardware-Enabled Reservoir Computing in FPGAs
FEMTO-ST(FEMTO-ST研究所);CNRS(法国国家科学研究中心);Univ. Bourgogne Franche-Comté(勃艮第-弗朗什孔泰大学)
在这项工作中,我们提出了一种新的方法,对有效的优化和实施的储备池计算硬件减少所需的领域专家知识和优化工作。首先,我们通过线性自编码器使水库输入掩码适应数据的结构。因此,我们将降维和维数扩展的优势,实现了传统的算法有效的线性代数程序的主成分分析。第二,我们采用进化启发遗传算法技术,从而在一个非常有效的优化油藏动态与显着减少的数量相比,穷举搜索的评价。我们说明了所谓的单节点储备池计算架构,特别适合在超高速硬件实现的方法。这两种方法的组合以及由此产生的硬件系统的性能优化所需的时间的减少建立了一种朝向能够自适应以最佳地解决特定问题的机器学习硬件的策略。我们证实了这些原则的有效性建设储备池计算硬件的基础上,现场可编程门阵列。
2018-10-02 cs.ET cs.LG cs.NE
Building Reservoir Computing Hardware Using Low Energy-Barrier Magnetics
生物启发的递归神经网络,如水库计算机,由于简单的学习方案和与卡尔曼滤波器的深度连接,从硬件的角度来看,在设计时空数据处理器方面很有意义。在这项工作中,我们将讨论使用深入的模拟研究的方法来构建硬件水库计算机使用模拟随机神经元细胞从一个低能量势垒的磁铁为基础的磁性隧道结和几个晶体管。这允许我们实现储层计算机的数学模型的物理体现。使用这种设备的储层计算机的紧凑实现可以使得能够构建紧凑的、节能的信号处理器,用于边缘设备中的独立或原位机器认知。
2020-07-06 cs.ET cs.NE
Reservoir Computing based on Mutually Injected Phase Modulated Semiconductor Lasers as a monolithic integrated hardware accelerator
在本文中,我们提出并数值研究了类脑计算方案,适用于基于延迟的储备池计算的激光系统,由两个相互耦合的相位调制激光器。该方案可以以简单的方式进行单片集成,并且无需外部光注入,因为数据可以直接应用于放置在两个激光器之间的片上相位调制器上。与使用一个反馈下激光器或反馈下激光器和光学注入的储备池计算系统相比,该方案还提供了增加节点的益处。数值模拟评估了集成储备池计算系统在短距离光通信系统中的色散补偿任务中的性能。我们数值证明,该平台可以恢复严重失真的25 Gbaud PAM-4信号的传输距离超过50公里,优于其他竞争的延迟为基础的储备池计算系统依赖于光反馈。该方案结构紧凑、简单,在要求高速实时的处理的广泛应用中,可以起到单片集成硬件加速器的作用。
2021-09-22 cs.ET eess.SP
Scientific Computing Using Consumer Video-Gaming Hardware Devices
商用视频游戏硬件(游戏机、显卡、平板电脑等)由于消费者需求强劲,市场竞争激烈,业绩迅速增长。游戏硬件设备目前是数量上最强大和最具成本效益的计算技术之一。在这篇文章中,我们评估了当前一代用于科学计算的视频游戏硬件设备的样本,并将其性能与专用超级计算通用图形处理单元(GPGPU)进行了比较。我们使用OpenCL SHOC基准测试套件,这是对各种不同科学应用内核上的计算硬件性能的测量,也是一种流行的公共分布式计算应用程序,Einstein@Home在引力物理领域用于此评估。
2016-07-19 cs.DC cs.ET cs.PF
XL-HD: Extended Learning in Hyperdimensional Computing via Deterministic Projections for In-Memory Accelerators
University of South Florida(南佛罗里达大学);University of Louisiana at Lafayette(路易斯安那大学拉斐特分校)
提出XL-HD框架,使用确定性Sobol序列投影和全可学习二进制原型,在保持紧凑内存加速器面积和超低能耗的同时,在MNIST、UCIHAR和ISOLET上达到竞争性精度。
2026-05-24 cs.AR cs.ET
Fault-Free Analog Computing with Imperfect Hardware
针对模拟存内计算中器件故障和变异限制精度的问题,提出一种无故障矩阵表示法,通过将目标矩阵分解为可调子矩阵乘积绕过故障器件,在39%故障率下实现高保真度,并大幅提升计算密度与能效。
2025-07-15 cs.AR cs.ET
Late Breaking Results: Hardware-Efficient Quantum Reservoir Computing via Quantized Readout
Fractal Analytics;University of Greenwich(格林威治大学);New York University Abu Dhabi (NYUAD)(阿布扎比纽约大学);NYUAD Research Institute, NYUAD(NYUAD研究院)
本文提出一种基于固定未训练量子电路的量子共振计算框架,通过量化读取层提升硬件效率,实验证明在资源受限的能源预测中具有实用性。
2026-04-07 cs.ET quant-ph
Multivariate Time Series Forecasting with Gate-Based Quantum Reservoir Computing on NISQ Hardware
Polytechnique Montréal(波士顿理工学院);Institut quantique, Université de Sherbrooke(量子研究所, Sherbrooke 大学);Thales Digital Solutions(泰雷兹数字解决方案);Université de Sherbrooke(Sherbrooke 大学)
研究针对多元时间序列预测,提出基于门控的量子储层计算方法MTS-QRC,配对量子比特并优化演化。在Lorenz-63和ENSO上实验,均方误差良好,在IBM Heron R2上表现出色,支持该方法在NISQ硬件上的实用性及相关研究。
2026-07-21 cs.ET cs.LG
Spectral dynamics reservoir computing for high-speed hardware-efficient neuromorphic processing
National Institute for Materials Science(国立材料研究所);Tokyo University of Science(东京科学大学)
本研究提出了一种基于模拟滤波和包络检测的谱动态共振计算方法,通过利用材料的谱流形实现高速硬件高效神经形态处理,展示了在奇偶校验检查、二阶非线性自回归移动平均和语音识别任务中的高性能表现。
2026-03-05 cs.ET physics.app-ph
Nonlinear photonic dynamical systems for unconventional computing
在过去十年的重大突破的推动下,光子学神经网络经历了复兴。在这里,我们提供了过去十年进展的总体概述,并勾勒出未来重要发展的路线图。我们专注于光子实现的储备池计算机器学习范例,它提供了一个概念上简单的方法,是服从硬件实现。特别是,我们提供了一个概述的光子储备池计算通过时空或延迟动力系统。超越储备池计算,我们讨论了最近的进展和未来的挑战,光子实现的深度神经网络,学习方法的追求是硬件友好的,以及实现自主光子神经网络,即与最小的数字电子辅助硬件。
2021-07-19 cs.ET physics.optics
A design of magnetic tunnel junctions for the deployment of neuromorphic hardware for edge computing
本文提出一种具有自由层和双极化层的磁性隧道结设计,可在单一器件内实现sigmoid激活函数及其梯度的前向与反向传播计算,实验表明其对器件差异和噪声鲁棒,在Fashion MNIST和CIFAR-100上精度损失分别仅为0.1%和2%,有效支持边缘计算中的迁移学习。
2024-09-04 cs.ET physics.app-ph
Brain-inspired polymer dendrite networks for morphology-dependent computing hardware
本研究提出利用AC-电聚合平台构建类聚合物树突网络,实现形态依赖计算硬件,通过其结构复杂性实现线性和非线性功能,并证明其在物质内计算中区分时空输入的能力,为新一代拓扑丰富硬件奠定基础。
2024-07-29 cs.ET physics.app-ph
NAX: Co-Designing Neural Network and Hardware Architecture for Memristive Xbar based Computing Systems
Purdue University(普渡大学);Microsoft Corporation(微软公司)
使用忆阻交叉阵列(MCA)的存内计算(IMC)硬件越来越受欢迎,以加速深度神经网络(DNN),因为它解决了与von-Neumann架构相关联的“存储墙”问题。映射到这样的硬件的DNN的硬件效率(能量、延迟和面积)以及应用准确性(考虑设备和电路非理想性)共同取决于网络参数(诸如内核大小、深度等)和硬件架构参数(诸如交叉开关大小)。然而,网络和硬件参数两者的共同优化呈现了具有挑战性的搜索空间,其包括映射到变化的交叉开关尺寸的不同内核尺寸。为此,我们提出了NAX --一种高效的神经架构搜索引擎,它共同设计了基于神经网络和IMC的硬件架构。NAX探索上述搜索空间,以确定每个DNN层的内核和相应的交叉开关大小,从而实现硬件效率和应用准确性之间的最佳权衡。NAX的结果表明,网络在不同的网络层上具有异构的交叉开关大小,并在考虑交叉开关的非理想性的情况下实现了最佳的硬件效率和准确性。在CIFAR-10和Tiny ImageNet上,与基线ResNet-20和ResNet-18模型相比,我们的模型分别实现了0.8%,0.2%的准确性和17%,4%的EDAP(能量延迟面积积)。
2021-06-23 cs.AI cs.AR cs.ET
Multi-state MRAM cells for hardware neuromorphic computing
磁性隧道结(MTJ)已成功应用于各种传感应用和数字信息存储技术。目前,正在积极研究MTJ的许多新的潜在应用,包括高频电子学、能量收集或随机数发生器。最近,MTJ也被提出用于非常规或生物启发计算的新平台的设计中。在本工作中,它示出了串联连接的MTJ形成一个多状态存储单元,可以在神经计算设备的硬件实现中使用。基于实验确定的MTJ参数,提出了多单元的行为模型。多单元的主要目的是形成网络的量化权重,可以使用所提出的电子电路对其进行编程。多个细胞连接到基于CMOS的求和放大器和S形函数发生器,形成人工神经元。使用20x20像素矩阵中的手写数字的识别来测试所设计的网络的操作,并且使用存储在由四个或更多个MTJ组成的多单元中的权重来显示与软件算法相当的检测率。
2021-02-05 cs.ET physics.app-ph
Reservoir Computing with Planar Nanomagnet Arrays
储备池计算是一种新兴的类脑计算方法,特别适合于尺寸、重量和功率(SWaP)受限环境中的硬件实现。这项工作提出了一种新的硬件实现的水库计算机使用平面纳米磁体阵列。通过微磁模拟证明了一个小型纳米磁体储层能够以100%的准确度识别简单的波形。平面纳米磁体水库是一个有前途的新的解决方案,不断增长的需求,专用神经形态硬件。
2020-03-24 cs.ET cs.NE physics.app-ph
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
Towards Budget-Driven Hardware Optimization for Deep Convolutional Neural Networks using Stochastic Computing
近年来,深度卷积神经网络(DCNN)在许多机器学习应用中取得了巨大的成功。然而,深层结构带来了计算复杂度的显著增加。大规模深度学习系统主要在高性能服务器集群中运行,因此限制了应用程序扩展到个人或移动设备。以前在DCNN的GPU和/或FPGA加速方面的工作显示出越来越高的加速比,但忽略了其他限制,如面积,功率和能量。随机计算(SC)作为一种独特的数据表示和处理技术,有可能实现大规模深度学习系统的完全并行和可扩展的硬件实现设计。提出了一种以预算需求为驱动、兼顾总体精度性能的自动设计分配算法。这种系统化的方法使得能够自动设计DCNN,其中所有设计参数被联合优化。实验结果表明,该算法可以实现所有设计参数的联合优化给定的综合预算的DCNN。
2018-05-10 cs.ET cs.NE
Energy-efficient neural network inference with microcavity exciton-polaritons
我们提出了具有非常高的能量效率和推理性能密度的全光神经网络。我们认为,使用微腔激子极化激元允许以无缝的方式利用光子和电子的性质。这导致在不使用光电转换的情况下的强光学非线性。我们提出了一个现实的神经网络的设计和估计的能量成本是在阿焦耳每比特的水平,也包括在网络的输入和输出的光电转换时,几个数量级低于国家的最先进的硬件实现。我们提出了两种非线性二值化节点的基础上光学相移和干涉或极化激元自旋旋转。
2021-08-28 cs.ET physics.optics
Special Session: Neuromorphic hardware design and reliability from traditional CMOS to emerging technologies
本专题论文综述神经形态计算硬件设计与可靠性进展,梳理传统CMOS方案的挑战,介绍NEUROPULS项目的集成光子学新兴方案,并探讨器件变异性、老化的影响及缓解技术,为领域从业者提供参考。
2023-05-02 cs.ET eess.SP
Shem: A Hardware-Aware Optimization Framework for Analog Computing Systems
Shem是一个面向模拟计算系统的硬件感知优化框架,利用神经ODE微分方法优化非线性、噪声和离散行为,在振荡器模式识别器、CNN边缘检测器和传输线安全原语上验证了设计改进。
2024-11-05 cs.CE cs.ET
Towards Efficient In-memory Computing Hardware for Quantized Neural Networks: State-of-the-art, Open Challenges and Perspectives
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文全面综述了基于存内计算(IMC)的量化神经网络(QNN),将软件量化方法与IMC硬件实现相联系,并提出了开放挑战、设计要求、建议、展望及硬件路线图。
2023-07-08 cs.AI cs.AR cs.ET
Approximate Computing Survey, Part I: Terminology and Software & Hardware Approximation Techniques
该综述第一部分梳理近似计算的动因、术语与原理,分类介绍软件、硬件层面的前沿近似技术及细节,并开展对比定量分析,为高性能低功耗计算提供参考。
2025-03-19 cs.AR cs.ET cs.PL
Unsupervised Competitive Hardware Learning Rule for Spintronic Clustering Architecture
我们提出了一个新的自旋电子计算架构内的无监督聚类的硬件学习规则。所提出的方法利用畴壁磁隧道结器件的三端结构来建立反馈回路,该反馈回路用于当这些器件用作类脑计算架构中的突触时对它们进行训练。
2020-03-24 cs.ET cs.NE physics.app-ph
Hardware/Software co-design with ADC-Less In-memory Computing Hardware for Spiking Neural Networks
本文提出一种硬件/软件协同设计方法,将脉冲神经网络部署到以感测放大器替代高精度ADC的无ADC存内计算架构中,通过硬件感知训练在保持精度的同时显著降低能耗和延迟。
2023-06-04 cs.AR cs.ET cs.NE
A Blueprint for Equilibrium-Based Differentiable Continuous-Variable Thermodynamic Computing
为应对机器学习工作负载的能源和延迟需求,提出基于能量的热力学计算蓝图,利用物理硬件随机模拟过程,通过朗之万动力学实现可调能量势,构建训练机器学习模型,分析运行时间和能耗,展示随机模拟超导电路,迈向节能热力学硬件。
2026-08-18 cs.ET cs.LG physics.app-ph
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
Quantum Cinema: An Interactive Cinematic Exploration of Quantum Computing Hardware via Generative World Models
Amazon Web Services(亚马逊网络服务);Duke Kunshan University(杜克昆山大学)
本文提出量子影院,一个基于生成世界模型的开源交互式应用,通过四幕叙事将不可见的量子硬件转化为可探索的电影体验,旨在弥合量子计算与公众之间的想象鸿沟。
2026-08-04 cs.AI cs.ET cs.HC
Impact of Error Rate Misreporting on Resource Allocation in Multi-tenant Quantum Computing and Defense
本文研究了多租户量子计算中第三方校准服务误报错误率对资源分配的攻击,提出通过统计偏差检测不一致性,实验显示该攻击使执行延迟增加24%、成功试验概率降低7.8%。
2025-04-05 cs.CR cs.ET quant-ph
Benchmarking energy consumption and latency for neuromorphic computing in condensed matter and particle physics
University of Twente(特文特大学);Radboud University(拉德堡德大学);IBM Research Europe - Zürich(IBM欧洲研究院-苏黎世);Nikhef(荷兰国家亚原子物理研究所);Eidgenössische Technische Hochschule Zürich(苏黎世联邦理工学院);SURF Cooperation(SURF合作组织);University of Valencia-CSIC(瓦伦西亚大学-西班牙国家研究委员会)
人工神经网络(ANN)的大量使用在科学计算的许多领域越来越流行,迅速增加了现代高性能计算系统的能耗。一个有吸引力的和可能更可持续的替代方案是由新的神经形态范式提供的,它直接在硬件中实现ANN。然而,对于在科学计算中的用例中在神经形态硬件上运行ANN的实际好处知之甚少。在这里,我们提出了一种方法来测量的能源成本和计算时间的推理任务与人工神经网络在传统的硬件。此外,我们设计了一个架构,这些任务和估计相同的指标的基础上,一个国家的最先进的模拟存内计算(AIMC)平台,在类脑计算的关键范例之一。这两种方法进行了比较,在量子多体物理的用例在二维的凝聚态系统和异常检测在40 MHz的速率在大型强子对撞机在粒子物理。我们发现,AIMC可以实现高达一个数量级短的计算时间比传统的硬件,在能源成本是高达三个数量级小。这表明,神经形态硬件具有更快、更可持续的科学计算的巨大潜力。
2023-02-21 cs.ET cs.LG hep-ex
A Superconducting Nanowire-based Architecture for Neuromorphic Computing
类脑计算准备通过利用改进的定制硬件来进一步实现基于软件的神经网络的成功。然而,翻译的神经形态算法的硬件规格是一个问题,一直很少探索。构建超导神经形态系统需要在超导物理学和理论神经科学方面的广泛专业知识。在这项工作中,我们的目标是通过提出一种工具和方法来将算法参数转换为电路规格来弥合这一差距。我们首先展示了理论神经科学模型和我们的电路拓扑动态之间的对应关系。然后,我们应用这个工具来解决线性系统,通过实现一个脉冲神经网络与我们的超导芯片为基础的硬件。
2022-08-02 cond-mat.supr-con cs.ET physics.app-ph
Large-scale Sustainable Search on Unconventional Computing Hardware
自从互联网出现以来,量化网页的相对重要性是搜索引擎方法的核心。根据一种算法,PageRank,全球网络结构由Google矩阵表示,其主要特征向量分量为网页分配数值以进行排名。在不断增长的网页数量上找到这样一个占主导地位的特征向量成为一个计算密集型的任务,与摩尔定律不相容。我们证明,特殊用途的光学机器,如网络的光学参量振荡器,激光器,增益耗散凝聚,可能有助于加速可靠的重建现实生活中的网络图的主要特征向量。我们讨论了使用这种非传统的硬件在大型Google矩阵上模拟PageRank算法的可行性。我们提供替代排名的基础上最小化的自旋哈密顿。我们的估计表明,特殊用途的光学机器可以提供显着的改进,在经典的计算架构的功耗。
2021-04-06 cond-mat.dis-nn cs.ET cs.IR
Joint Hardware-Workload Co-Optimization for In-Memory Computing Accelerators
King Abdullah University of Science and Technology(国王阿卜杜勒-阿齐兹大学)
本文提出了一种基于优化进化算法的联合硬件工作负载协同优化框架,用于设计通用的内存计算加速器架构,通过显式捕捉跨工作负载的权衡,显著降低了专用与通用设计间的性能差距。
2026-03-04 cs.AI cs.AR cs.ET