Comparative Study on Quantization-Aware Training of Memristor Crossbars for Reducing Inference Power of Neural Networks at The Edge
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
As Internet-of- Things (IoT) technology is spreading widely in human life, a massive number of IoT sensors and edge devices generate huge amounts of unstructured data everywhere and every time. To mitigate the energy burden of computation and communication for processing these huge data at the cloud servers, edge intelligence becomes essential in IoT sensors. In this paper, for implementing edge intelligence in IoT sensors, a comparative study on the training of memristor crossbars is carried out for reducing the crossbar's inference power at the edge. For understanding the relationship of Convolutional Neural Network (CNN) architecture and crossbar's power consumption, memristor-crossbar CNNs with different synapse types, different kernel sizes, and different percentages of Low Resistance State (LRS) cells in the crossbar are compared and analyzed in this paper. After the comparative study, ternary synapse, small kernel size, and reduced number of active bits can be suggested for achieving a higher recognition rate and lower crossbar's power consumption than the other memristor-crossbar CNNs. Adjusting the percentage of LRS cells in the crossbar indicates that the recognition rate begins to fall sharply when the percentage of LRS cells becomes less than 10% of the total memristor cells, for Modified National Institute of Standards and Technology (MNIST) and Canadian Institute For Advanced Research (CIFAR-10) datasets. To minimize the recognition rate loss due to the reduction of active bits, the quantization-aware training of memristor crossbars is combined with the optimization of crossbar's inference power. Here the training with weight quantization can be repeated to minimize the recognition rate loss until the inference power consumption of memristor-crossbar CNN reaches a target inference power.
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