Energy-Efficient Hybrid STT-MTJ/CMOS Circuit for Machine Learning-Assisted Neuromorphic Computing Applications
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
The CMOS-based neuromorphic computing system (NCS) face significant challenges, such as increasing energy usage and vast area footprints, surpassing the efficiency of biological brains. Spin transfer torque magnetic tunnel junction (STT-MTJ), a type of spin device@comm offers convenient benefits, including nonvolatility, increased energy efficiency, increased speed of operation, and compatibility with CMOS, making them ideal for energy-efficient spiking NCSs that exhibit neuronal behavior. However, the high energy consumption in spintronic-based NCS, primarily due to the high write current required for MTJ switching, remains a significant challenge as neurons in these systems tend to stay active longer than necessary. To address this challenge, we introduce a novel hybrid STT-MTJ/CMOS write terminate circuit (SM-WTC) that efficiently terminates the MTJ current efficiently after MTJ-state switches, significantly improving energy consumption and speed by 2.6× and 2.3×, compared to conventional NCSs. The proposed SM-WTC technique achieves energy consumption reductions of 52.7%, 58.3%, and 62.18% compared to prior work in real-time sensing (RTS) circuit, common-mode tracking and terminating circuit (CM-TTC), and conventional-NCS, respectively. A Cadence Virtuoso simulation using 65-nm CMOS technology has been used to evaluate the proposed circuit. Furthermore, SM-WTC-based NCS achieves a 67.2% improvement in energy-delay product (EDP) over conventional NCS for image edge detection. These advancements position SM-WTC as a commercially viable solution for next-generation artificial intelligence (AI) accelerators and brain-inspired computing architecture.
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