模拟模拟交叉阵列中的少次读取故障定位：稀疏恢复解码器 vs 读取每个单元（以及未通过的声明）[R]

**TL;DR** 在仿真中，通过对若干随机 ±1 探测读取进行稀疏恢复解码，可在读取噪声为 1% 时，用 4 到 12 次计数读取在 256×256 模拟阵列中定位多达 64 个卡死单元。读取每个单元需要 256 次读取。论文还区分了解码器的收益与第二个读取方向的收益，并给出 16 参数的漂移标定。若干预注册声明未通过，论文如实报告了这些结果。 **背景。** 模拟交叉阵列在存储阵列内部完成矩阵-向量乘法。卡死单元始终停留在同一数值。探测读取是向阵列输入一个随机的 ±1 输入向量并读取输出。稀疏恢复意味着我们假设只有少数单元出错，并搜索能解释这些读取结果的最短单元列表。漂移指器件电导随时间缓慢变化。 **定位结果（仿真，其余为理想阵列，仅卡死故障）：** 在 1% 读取噪声下，定位多达 64 个卡死单元需要 4 到 12 次计数读取。对于 k ≥ 4 个故障，读取次数比基于已发表的多离群点编码（Wei and Roth）构建的混合方法少 4.3 到 6.4 倍。他们的论文止于输出线，因此基线中的单元级阶段是我们自己的扩展。如果计入混合方法的 8 次噪声标定读取，该倍数为 1.9 到 3.2 倍。我们未在计入该开销的情况下重跑已注册条款。比调优后的 X-ABFT 至少少 2 倍读取。在该场景下 X-ABFT 所需读取次数超过全阵列读出。我们是在其设计范围之外运行的，因此这是压力测试，而非同类对比基准。 **解码器 vs 第二方向：** 仅前向读取所需的读取次数就比混合方法少 1.6 到 4.1 倍。结合转置读取的联合解码在 1% 噪声下可进一步减少 1.3 到 4 倍读取，在更高噪声下收益变小。 **漂移标定。** 每个阵列用少量探测读取拟合的 16 参数场可恢复编程精度。作为需要存储权重的数字校正，它在 CIFAR-10 上从 1 小时到 1 年的漂移范围内，比最佳低成本数字基线高 +2.1 到 +13.3 个百分点（按实际执行的 17 次 MVM 计为 +1.7 到 +13.1）。直接在阵列内应用时，保持 +0.6 到 +3.7 个百分点的收益。 **未通过的项（标准在计数运行之前已提交）：** 两条关于转置（第二）方向的注册声明被否决。在后续实验中，阵列 256 在 5 项中 0 项合格，因为 2% 噪声下比值为 0.75，高于 0.7 的门槛。探测读取仅在故障密度不超过 0.3% 时优于全阵列读出（探索性结果）。**漂移结构特异性：** 测试要求差距至少 0.15，实测为 0.095。AdaBS 奇偶校验条款未满足。在没有存储数字权重的情况下，基于 32 张图像的数字重标定优于阵列内校正。作为刷新调度器，感知读取额外节省了 9% 到 13% 的写入，门槛为 15%。 **局限。** 仅仿真，无硅片验证。仅卡死故障。定位器使用存储的数字权重，测试阵列无漂移和编程噪声，读取噪声为白噪声且跨方向独立。转置读取假设双向外围电路，其成本未经验证。没有证明两个方向比一个方向需要更少读取。每个单元的 240 个实例是聚类的但按独立处理，因此置信区间过紧。标准提交在作者自己的仓库中，而非第三方注册机构。绝对精度未经 CrossSim 校验验证（差异最大达 5.66 个百分点，门槛为 0.5）。 我期望批评意见，尤其是关于基线和噪声模型的。 论文（预印本，正在期刊同行评审中）：https://doi.org/10.5281/zenodo.23472381 代码：https://github.com/prateek1656/NeuroFault