忆阻器联邦学习芯片

本地加密训练

将密钥生成、误差多项式生成与加密计算集成在同一存算芯片上，实现边缘端的隐私保护联邦学习。

Li, Xueqi · Gao, Bin · Qin, Qi · Yao, Peng · Jiaming, Li · Zhao, Han · Chenji, Liu · 张青天 · Hao, Zhenqi · Li, Yang · Kong, Dequn · Jikang, Xu · Jie, Yang · 唐建石 · Yawen, Niu · 闫小兵 · 钱鹤 · 吴华强

Nature Electronics 2025

参数信息

测试精度差距

0.12 %

技术优势

省去额外加密开销

密钥生成和误差多项式生成都直接在存算阵列内完成，不再需要外部密钥管理模块。

精度损失极小

在128-kb阵列上，脓毒症预测LSTM的测试精度与软件集中学习仅差0.12%，几乎无精度损失。

能耗和时间更低

与传统的数字联邦学习方案相比，这种方法在能耗和时间上都有明显降低。

应用场景

• 边缘AI芯片：在边缘设备上直接完成加密训练，无需上传数据。
• 物联网安全：用物理不可克隆函数做密钥生成，提升设备身份安全性。
• 存内计算：密钥生成和加密计算共用存算阵列，减少数据搬运。
• 医疗数据隐私计算：多家医院可共同训练脓毒症预测模型而无需共享患者数据。