AMSNet: Analog Memristive System Architecture for Mean-Pooling with Dropout Convolutional Neural Network

Olga Krestinskaya, Adilya Bakambekova, Alex Pappachen James

2019

DOI 10.1109/aicas.2019.8771611

Достоверность данных 70 средняя

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

This work proposes analog hardware implementation of Mean-Pooling Convolutional Neural Network (CNN) with 50% random dropout backpropagation training. We illustrate the effect of variabilities of real memristive devices on the performance of CNN, and tolerance to the input noise. The classification accuracy of CNN is approximately 93% independent on memristor variabilities and input noise. On-chip area and power consumption of analog 180nm CMOS CNN with WOxmemristors are 0.09338995mm2and 3.3992W, respectively.