Work

Hardware-based Neural Networks using gated Schottky diodes

Year: 2019
Type: dissertation
Abstract: 신경망 기술을 기반으로 한 AI (인공 지능)는 인간의 인지 능력을 능가하는 모습을 보여줄 수 있기 때문에 다양한 산업 분야에서 널리 연구되고 있다. 그러나, 기존의 컴퓨팅 아키텍처인 폰 노이만 (von Neumann) 아키텍처의 메모리와 컴퓨팅 유닛 사이의 병목 문제 및 매우 큰 전력 소모 문제 때문에, 뉴로모픽 컴퓨팅의 필요성이 대두되고 있다. 특히, 시냅스로 동작하는 전자 시냅스 소자는 저전력 및 고속으로 벡터 행렬 곱셈 (VMM)을 수행 할 수 있기 때문에 전력 소비의 상당 부분을 줄일 수 있다. 이 논문에서는 시냅스 소자로서 게이티드 쇼트키 다이오드 (GSD)를 제안한다. 역 쇼트키 다이오드로 동작하므로 시냅스 전류가 낮고, 입력 전압에 대해 포화 상태로 동작한다. 또한, 시냅스 소자에 적용하는 펄스 수에 대한 컨덕턴스 변화가 선형적인 특성을 보여준다. 이러한 특성들을 고려하여 전류 합산, 펄스 폭 변조 및 활성화 기능을 수행하는 뉴런 회로를 설계한다. 설계한 뉴런 회로를 검증하기 위해 SPICE 시뮬레이션을 통해 2 계층 신경망의 추론 정확도를 평가한다. 검증 결과로서 MNIST 테스트 세트의 100 개 이미지의 분류 정확도는 94%이며, 이는 소프트웨어를 통해 얻은 기준 정확도와 비슷하다. 또한, 우리는 전자 시냅스 소자를 기반으로 하는 신경망의 온칩 학습 방법을 제안한다. 시냅스 소자의 비이상성 때문에, 맨해튼 업데이트 규칙을 기반으로 하는 가중치 갱신 방법을 제안하고, 시냅스 장치의 다양한 비이상성에 대해 온칩 학습 방법을 평가한다. 시냅스 디바이스가 선형 컨덕턴스 응답과 높은 동적 범위를 가지면 소프트웨어로 얻은 기준 정확도와 비슷한 정확도를 얻을 수 있다. 오프칩 트레이닝 체계는 디바이스 변형에 취약한 반면, 앞서 설명한 온칩 트레이닝 방법은 이러한 변동 효과를 완화 할 수 있기 때문에 하드웨어 기반의 신경망 시스템에 필수적이라고 할 수 있다. 더 나아가, 신경망 시스템을 구현하기 위해 GSD를 기반으로 시냅스 장치 어레이를 제작한다. 시냅스 소자의 포화된 전류 특성으로 인해, 금속 와이어에서의 전압 강하 문제없이 VMM 연산을 잘 수행한다. 또한, 제작된 시냅스 소자 어레이는 세 가지 시냅스 가중치 상태에 대해 0.34, 0.22 및 0.14의 변화를 보여준다. 우리가 제안한 게이티드 쇼트키 다이오드, 이와 호환 가능한 뉴런 회로 및 온칩 학습 방법은 하드웨어 기반 신경망을 구현하는 데 도움이 될 것이다.
Author: 임수환
Language: English
Open Access status: green
OpenAlex ID: W3009170591
Cites: 53
Cited by:
Related to: 10