Spintronic Bayesian Hardware Driven by Stochastic Magnetic Domain Wall Dynamics
Tianyi Wang, Bingqian Dai, Kin Wong, Yaochen Li, Yang Cheng, Qingyuan Shu, Haoran He, Puyang Huang, Hanshen Huang, and Kang L. Wang
随着人工智能(AI)进入各种应用,确保AI模型的可靠性变得越来越重要。 传统神经网络提供强大的预测能力,但在没有固有不确定性估计的情况下产生确定性输出,限制了其在安全关键领域的可靠性。 引入随机性的概率神经网络(PNNs)已成为实现内在不确定性量化的有力方法。 然而,传统的CMOS架构本质上是为确定性操作而设计的,并积极抑制内在的随机性。 这为实施PNN提出了根本性的挑战,因为概率处理引入了显著的计算开销。 为了应对这一挑战,我们引入了磁概率计算(MPC)平台 - 一个节能,可扩展的硬件加速器,利用内在的磁随机性进行不确定性计算。 这种物理驱动的策略利用基于磁域壁(DW)及其动力学的自旋电子系统来建立人工智能物理概率计算的新范式。 MPC平台集成了三种关键机制:热诱导DW随机性,电压控制磁各向异性(VCMA)和隧道磁阻(TMR),在设备级别实现完全电气和可调概率功能。 作为代表性演示,我们实现了贝叶斯神经网络(BNN)推理结构,并在CIFAR-10分类任务上验证其功能。 与标准的28nm CMOS实现相比,我们的方法在整体功绩数字上实现了7个数量级的提升,在面积效率、能耗和速度方面有了实质性的提升。 这些结果强调了MPC平台实现可靠和值得信赖的物理AI系统的潜力。
As artificial intelligence (AI) advances into diverse applications, ensuring reliability of AI models is increasingly critical. Conventional neural networks offer strong predictive capabilities but produce deterministic outputs without inherent uncertainty estimation, limiting their reliability in safety-critical domains. Probabilistic neural networks (PNNs), which introduce randomness, have emerged as a powerful approach for enabling intrinsic uncertainty quantification. However, traditional CM...