鲁棒网络训练框架

同时抗SAF与工艺偏差

该训练框架通过采样策略和变分注入技术，同时考虑忆阻器固有故障和工艺偏差，显著提升神经形态计算系统的计算精度和鲁棒性。

Yongtian, Bi · 徐奇 · Geng, Hao · 陈松 · 康一

IEEE Transactions on Circuits and Systems II: Express Briefs 2023

技术优势

训练即抗SAF

采用SAF采样策略让网络在训练中直接适应故障模式

偏差注入降本

局部重参数化技术高效注入工艺偏差

统一框架

同时处理SAF和工艺偏差，无需分步额外补偿

应用场景