[论文解读] Alleviation of Temperature Variation Induced Accuracy Degradation in Ferroelectric FinFET Based Neural Network
本文研究了全铁电体FinFET神经网络在温度变化下导致的精度下降问题，并提出在二值化神经网络中优化读取电压，以在温度变化下保持推理精度。通过建立电导漂移模型并优化读取电压，该方法在233 K时仍能保持96%的精度，有效缓解了在300 K下训练的基线模型所观察到的精度下降问题。
This paper reports the impacts of temperature variation on the inference accuracy of pre-trained all-ferroelectric FinFET deep neural networks, along with plausible design techniques to abate these impacts. We adopted a pre-trained artificial neural network (N.N.) with 96.4% inference accuracy on the MNIST dataset as the baseline. As an aftermath of temperature change, a compact model captured the conductance drift of a programmed cell over a wide range of gate biases. We observed a significant inference accuracy degradation in the analog neural network at 233 K for an N.N. trained at 300 K. Finally, we deployed binary neural networks with "read voltage" optimization to ensure immunity of N.N. to accuracy degradation under temperature variation, maintaining an inference accuracy of 96%. Keywords: Ferroelectric memories
研究动机与目标
- 解决温度变化引起的铁电体FinFET神经网络精度下降问题。
- 研究温度变化对用于神经网络推理的铁电体存储单元电导漂移的影响。
- 开发设计技术，确保神经网络在不同温度条件下的推理鲁棒性。
- 在温度波动下，特别是低温条件下，保持二值化神经网络的高推理精度。
- 验证读取电压优化在实现温度无关神经网络性能方面的有效性。
提出的方法
- 以在MNIST数据集上精度达96.4%的预训练人工神经网络作为基线模型。
- 建立一个紧凑模型，用于捕捉铁电体FinFET器件在广泛栅压偏置和温度范围下的电导漂移特性。
- 模拟在300 K下训练的网络在233 K下的推理精度下降，识别出温度敏感性为关键问题。
- 采用二值化神经网络以降低复杂度并增强对器件差异的鲁棒性。
- 优化二值化神经网络中的读取电压，以抵消温度引起的电导漂移并维持精度。
- 通过测量不同温度范围内的推理精度，重点评估低温下的稳定性，验证所提方法的有效性。
实验结果
研究问题
- RQ1温度变化如何影响全铁电体FinFET神经网络的推理精度？
- RQ2在不同栅压偏置和温度条件下，铁电体FinFET器件的电导漂移程度如何？
- RQ3在二值化神经网络中优化读取电压能否缓解温度引起的精度下降？
- RQ4通过所提方法，推理精度在温度变化下能保留到何种程度？
- RQ5在未采用补偿技术的情况下，于300 K下训练的神经网络在233 K时性能下降程度如何？
主要发现
- 尽管在300 K下训练，基线神经网络在233 K时仍表现出显著的推理精度下降。
- 紧凑模型准确捕捉了铁电体FinFET器件在广泛栅压偏置和温度范围下的电导漂移特性。
- 在二值化神经网络中优化读取电压，成功缓解了温度引起的精度下降。
- 优化后的二值化神经网络在233 K时仍保持96%的推理精度，表现出对温度变化的强鲁棒性。
- 所提方法在低温下实现了接近基线性能（96.4%），表明对热波动具有极强的免疫能力。
- 识别出温度变化下的电导漂移是使用铁电体器件的模拟神经网络中精度下降的主要原因。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。