Fault-Tolerant-Driven Clustering for Large Scale Neuromorphic Computing Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Memristive crossbar-based neuromorphic computing systems (NCS) have been extensively investigated and applied to the neural networks due to the fast computation and low design cost. In most applications, neural networks are large and sparse, which violate the size limitations and high-density connections provided by the memristive crossbars. Besides, stuck-at-faults (SAFs) in the memristor devices significantly degrade the computing accuracy of NCS. In this paper, we propose a fault-driven clustering framework for NCS based on a set of unique size memristive crossbars, with consideration of both hardware cost and mapping success rate. First, in order to group the input neurons connected to different output neurons, we design a METIS-based clustering method by redefining the distance metric, to speed up the large-scale neural network partitioning and improve the fault tolerance of the memristive crossbar-based NCS, then map the synapses to a set of unique size crossbars. Second, a half transposition method is developed to address the extremely asymmetric clusters. The simulation results show that the proposed fault tolerance-aware clustering algorithm not only improves the mapping success rate and the hardware cost but also achieves speed-up. For example, for a large-scale neural network with four million synapses, the proposed framework can complete the algorithm in one hour.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle