基于存算一体器件交叉阵列的计算存储电路配置方法

本数据集主要涉及1、基于忆阻器交叉阵列的神经计算系统中的对抗性防御与器件偏差容忍性研究的实验参数设置与实验结果；2、面向忆阻器交叉阵列神经计算系统的鲁棒网络训练方法的实验参数设置与实验结果；3、基于多动作强化学习的芯片布图规划推理器的实验参数设置与实验结果；4、采用基于SRAM的电荷域存内计算的28纳米15.09nJ推理神经形态处理器数据。 主要数据包括1、基于聚类的损失函数设计、基于重要性采用的神经网络模型训练方法、以及多种网络模型在白盒攻击和黑盒攻击下的防御精度数据等；2、永久故障（SAF）采样策略流程、器件偏差注入训练策略、以及各方法对永久故障和器件偏差的容错能力对比等；3、端到端布图规划网络框架、布图规划的马尔科夫决策模型、布图规划数据集生成、以及和SOTA工作的实验数据对比等；4、推理神经形态处理器单元模块结构、整体架构和仿真结果数据及图表。

搜集汇总

背景与挑战

背景概述

本数据集聚焦于基于存算一体器件交叉阵列的神经计算系统，涉及忆阻器交叉阵列的对抗性防御与器件偏差容忍性研究、鲁棒网络训练方法、基于多动作强化学习的芯片布图规划推理器，以及采用SRAM电荷域存内计算的神经形态处理器。主要数据包括实验参数设置、白盒与黑盒攻击下的防御精度、永久故障采样策略与容错能力对比、布图规划网络框架与实验数据，以及处理器模块结构与仿真结果。