.png){kind=icon}
返回
Hardware-Based On-Chip Learning Using a Ferroelectric AND-Type Array With Random Synaptic Weights
.png){kind=icon}
OA
AI
DOI：10.1002/aisy.202500842.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习日益增长的复杂性导致了模型参数的快速增加，从而在大型计算中产生了显著的功耗。神经形态计算通过减少向量矩阵乘法中的数据移动，实现了高效的内存内处理。本研究提出了一种针对铁电AND型阵列的新型片上学习方案，通过采用独立的突触串阵列进行前向和反向传播。制备了一种基于HZO的FeAND阵列，并在该阵列中实验演示了选择性编程、多级电导调谐以及面向神经形态应用的向量-矩阵乘法。为实高效片上学习，采用了反馈对齐算法，该算法消除了权重转置的需求，并显著降低了外围电路复杂度和能耗。最后，通过反映器件特性的硬件感知片上学习仿真，验证了所提片上学习方法的竞争力。
Keyword:
feedback alignment
FeFET
ferroelectrics
neuromorphic
on-chip learning
vector-matrix multiplication
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。