通过利用随机噪声并减轻PCM（相变存储器）的导电漂移影响来实现贝叶斯神经网络

《Advanced Materials Technologies》：Bayesian Neural Network Realization by Exploiting Random Noise and Mitigating the Impact of Conductance Drift of PCM

贝叶斯神经网络硬件架构设计利用相变存储器随机噪声实现能效优化，通过改进补偿方法降低不确定性，在4MB In-GST PCM芯片上达到98.08% MNIST识别精度，能效33.3 TOPS/W，建立统一存储计算随机性框架。

　　

摘要

贝叶斯神经网络（BNNs）能够进行带有不确定性预测的推理，这对于自动驾驶和医学诊断等安全敏感的应用至关重要。然而，传统上依赖于高斯随机数生成器的实现方式会带来显著的面积和功耗开销。在这项工作中，利用了相变存储器（PCM）设备固有的随机噪声来实现一种紧凑、能效高的BNN硬件架构。所制造的4-Mb铟掺杂的Ge₂Sb₂Te₅（In-GST）PCM芯片实现了超过190倍的电阻比，并且可以编程为32种不同的导电状态。为了减轻导电漂移对推理精度的影响，提出了两种补偿方法，其中测量值减拟合方法在减少认知不确定性方面表现更为出色。基于PCM的BNN架构在LeNet-5模型上的MNIST识别准确率达到了98.08%，并且展现了33.3 TOPS/W的能效。这项工作为概率神经网络硬件建立了一个统一的存储-计算-随机性框架，实现了低功耗和可靠的推理，并能够量化不确定性。

利益冲突

作者声明没有利益冲突。