과도 현상(overshoot)과 구동 전류를 줄이기 위해 구조 최적화를 수행하였으며, 균일한 쌍극성(bipolar) 저항 스위칭 거동과 아날로그 스위칭 특성을 검증하였다. 또한 광범위한 전기 펄스 자극을 확인하여 장기 강화(long-term potentiation, LTP), 장기 억제(long-term depression, LTD) 및 기타 형태의 시냅스 가소성을 평가하였다. 우리는 온라인 학습 신경망을 훈련하기 위한 LTP 및 LTD 특성이 MNIST 분류에서 92.36%의 정확도를 가능하게 함을 확인하였다. 오프라인 학습 신경망에서 SC 모드의 양자화된 다중 레벨(multilevel)은 95.87%를 달성하였다. 마지막으로 32 × 32 크로스바 배열은 MNIST 이미지를 분류하기 위한 스파이킹 신경망 기반 VMM 연산을 시연하였다. 그 결과, 가중치 프로그래밍 오류는 소프트웨어 기반 신경망에 비해 정확도 저하를 1.2% 포인트에 그치게 만든다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.