.png){kind=icon}
返回
Brain-Inspired In-Memory Data Pruning and Computing with TaOx Mem-Selectors
.png){kind=icon}
OA
AI
DOI：10.1002/adma.202502168.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人眼视觉系统中固有的选择性注意机制为开发能够同时从视觉输入中修剪和加工关键信息的边缘系统提供了有前景的框架。然而，传统的互补金属氧化物半导体（CMOS）基边缘视觉系统依赖复杂的数字逻辑进行数据修剪，同时物理上分离修剪、存储和计算功能。这增加了功耗和延迟。在此，提出了一种具有可重构非易失性电阻存储和易失性阈值开关功能的Mem-Selector（M-S）器件，其结构为Ta/TaOx/Ta2O5堆栈。首次利用透射电子显微镜观察到，当器件作为电阻存储器工作时，导电氧空位丝的形成与断裂，以及当其切换至阈值模式时富Ta纳米晶粒簇的生长。这表明离子与电子开关机制并存。通过利用多功能M-S器件，构建了一个同时进行修剪和处理的存内修剪-计算（IMPC）系统。该IMPC系统受人类视觉选择性注意启发，可根据任务复杂度自适应地提取关键信息，同时修剪次要输入。该方法优化了硬件成本与分类性能之间的平衡。与传统的存内计算系统相比，集成的IMPC系统在CIFAR-10、FashionMNIST和MNIST数据集上分别将输入能耗降低了29%、54%和90%，同时精度损失低于1%。此外，它在上述数据集上的鲁棒性分别提升了7.6%、29.8%和80.7%。这展示了软硬件协同设计在开发高效能、高性能边缘硬件方面的潜力。
Keyword:
data pruning
in-memory computing
memristor
neuromorphic computing
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
26.8
论文数:
3.4W
被引数:
46.0W
机构
引用论文
Resistive switching memories based on metal oxides: mechanisms, reliability and scaling基于金属氧化物的阻变存储器: 机理，可靠性和缩放OAAI
OAAI分享收藏Redox-Based Resistive Switching Memories - Nanoionic Mechanisms, Prospects, and Challenges基于氧化还原的电阻开关存储器-纳米离子机制，前景和挑战.png)
ADVANCED MATERIALS
ADVANCED MATERIALSIF26.8
PREAI
分享收藏CMOS-integrated memristive non-volatile computing-in-memory for AI edge processors用于AI边缘处理器的CMOS集成忆阻非易失性内存计算NATURE ELECTRONICS
NATURE ELECTRONICSIF40.9
PREAI
分享收藏Fully Room-Temperature-Fabricated Nonvolatile Resistive Memory for Ultrafast and High-Density Memory ApplicationNANO LETTERS
NANO LETTERSIF9.1
PREAI
分享收藏Dynamical memristors for higher-complexity neuromorphic computing用于高复杂度神经形态计算的动态忆阻器NATURE REVIEWS MATERIALS
NATURE REVIEWS MATERIALSIF86.2
PREAI
分享收藏Advances of RRAM Devices: Resistive Switching Mechanisms, Materials and Bionic Synaptic ApplicationRRAM器件的研究进展: 阻变机制、材料及仿生突触应用NANOMATERIALSOAAI
NANOMATERIALSIF4.3
OAAI分享收藏
查看更多内容