Non-volatile memory arrays can deploy pre-trained neural network models for edge inference. However, these systems are affected by device-level noise and retention issues. Here, we examine damage caused by these effects, introduce a mitigation strategy, and demonstrate its use in fabricated array of SONOS (Silicon-Oxide-Nitride-Oxide-Silicon) devices. On MNIST, fashion-MNIST, and CIFAR-10 tasks, our approach increases resilience to synaptic noise and drift. We also show strong performance can be realized with ADCs of 5-8 bits precision.

中文翻译：

---

SONOS 非易失性存储器阵列中的设备感知推理操作

非易失性存储器阵列可以部署预训练的神经网络模型进行边缘推理。但是，这些系统会受到设备级噪声和保留问题的影响。在这里，我们研究了这些效应造成的损害，介绍了一种缓解策略，并展示了其在 SONOS（硅-氧化物-氮化物-氧化物-硅）器件制造阵列中的使用。在 MNIST、fashion-MNIST 和 CIFAR-10 任务上，我们的方法增加了对突触噪声和漂移的弹性。我们还展示了使用 5-8 位精度的 ADC 可以实现强大的性能。