研究进展：忆阻神经网络-容错 | Nature Communications

本文介绍了美国乔治·华盛顿大学的研究团队在Nature Communications上发表的一项研究，提出了一种名为层集成平均的硬件容错方案，旨在提高非理想忆阻神经网络在图像分类和连续学习任务中的推理性能。研究通过模拟和硬件实验验证了该方案的有效性，结果显示在存在20%固定错误的情况下，图像分类任务的准确率从40%提高到89.6%，连续学习问题的准确率从55%提高到71%。这一方案适用于各种非易失性器件技术加速器，展示了其在提高神经网络容错能力方面的潜力。