コンピューティングメモリとニューラルネットワークについて学ぶ
Table of Contents:
- はじめに
- ニューラルネットワークと画像分類
- コンピューティングメモリの基本概念
- シナプスデバイスのカテゴリー
4.1 フィラメント型メモリ
4.2 フェーズチェンジメモリ
4.3 電界効果トランジスタ
4.4 浮遊ゲートトランジスタ
- デバイスプロパティの評価
5.1 トレーニング向けの性能
5.2 インフェレンス向けの性能
- 電荷トラップトランジスタを用いたハイブリッドシナプス
- 3D統合を用いたコンピューティングメモリ
- 実装例とデモンストレーション
- まとめ
- 参考文献
第1章: はじめに
こんにちは皆さん、Georgia TechのShimon Yuです。今日はアナログメモリについての短い講義を行います。主にAIの分野で使用されるマルチレベルシナプスデバイスとその応用についてお話しします。以下に講義のアウトラインを示します。
第2章: ニューラルネットワークと画像分類
ニューラルネットワークモデルの種類や特徴についてご説明します。特に画像分類に焦点を当て、代表的なデータセットとしてCパターンとより複雑な画像を使用した分類について解説します。
第3章: コンピューティングメモリの基本概念
コンピューティングメモリの基本的な概念について詳しく説明します。ニューラルネットワークの重みや入力値のマトリックス積和演算について理解することが重要です。
第4章: シナプスデバイスのカテゴリー
異なるシナプスデバイスのカテゴリーについて解説します。フィラメント型メモリ、フェーズチェンジメモリ、電界効果トランジスタ、浮遊ゲートトランジスタの特徴や応用例について紹介します。
第5章: デバイスプロパティの評価
トレーニングおよびインフェレンス向けのシナプスデバイスの性能評価について説明します。重み更新の線形性と対称性、および安定性と信頼性の問題に焦点を当てます。
第6章: 電荷トラップトランジスタを用いたハイブリッドシナプス
電荷トラップトランジスタを使用したハイブリッドシナプスデザインについて解説します。LSBとMSBの異なるメモリセルを組み合わせることで、重みのハイブリッドなチューニングを実現します。
第7章: 3D統合を用いたコンピューティングメモリ
3D統合を用いたコンピューティングメモリの設計方法について説明します。ランハイベースノードと回路トランジスタの組み合わせにより、性能の向上と領域の節約を実現します。
第8章: 実装例とデモンストレーション
実際のチップデザインとデモンストレーションについて説明します。異なるシナプスデバイスをベンチマークし、インフェレンスおよびトレーニングの目的での長所と短所について検討します。
第9章: まとめ
本講義では、AIの分野で重要な役割を果たすコンピューティングメモリについての概要と応用について説明しました。最新のシナプスデバイスおよび設計手法を紹介し、将来のトレンドについても議論しました。
第10章: 参考文献
講義で言及された参考文献のリストを掲載します。