由中正大學資訊工程系助理教授何建忠團隊與台灣其他研究團隊組成跨產業、領域團隊共同發表論文，並於日前獲頒「ACM/IEEE 國際軟硬體協同設計與系統整合會議」最佳論文獎，是該會議辦理28年來，首次由台灣團隊獲獎！該論文藉由高效率寫入類神經網路資料，研發一種在非揮發性記憶體系統上訓練類神經網路的新穎設計，亦同時對當今熱門的類神經網路應用有深刻分析。

　由全球研究計算機科學權威學會ACM、電子技術與電子工程權威學會IEEE主辦的「ACM/IEEE 國際軟硬體協同設計與系統整合會議」日前於美國紐約舉行嵌入式系統週（ESWEEK），並公布長達半年的論文審議結果。由中正大學資工系何建忠助理教授與台灣大學、中研院、業界旺宏電子等共同提出論文《Achieving Lossless Accuracy with Lossy Programming for Efficient Neural-Network Training on NVM-Based Systems》，不僅獲評為「2019年度最佳論文」，更被接受及發表於國際頂尖學術期刊《ACM TECS》。

　該國際會議於1992年首辦，至今已為第28屆，並於2007年起也與EMSOFT、CASES等國際會議聯合辦理Embedded Systems Week（ESWEEK），是全球嵌入式系統領域的年度盛事。中正大學資工系表示，這次是該會議創辦28年來，首次由台灣團隊奪得最佳論文獎的殊榮，實屬難能可貴。

　有別於以往類神經網路設計在降低能耗與成本的同時，無法兼顧精準度與執行效能，此次獲獎論文提出一項前瞻理論實務整合技術，讓類神經網路設計降低能耗與成本時，能擁有超大型類神經網路架構化的精準度優勢且維持良好效能。

　由於類神經網路訓練對主記憶體容量需求極高，使用現今DRAM造成的能耗與價格成本過高，造成許多嚴重不良影響。因此該研究團隊提出以非揮發性記憶體，尤其是相變化記憶體的高容量、高速讀取特性，做為訓練類神經網路的主記憶體。

　此外，研究團隊也發現非對稱性寫入將造成訓練類神經網路效率低落的問題。因此在不降低類神經網路準確性的前提下，團隊針對類神經網路的資料流、資料內容進行多項細微與深刻觀察，提出以損耗性寫入指令結合類神經網路的近似計算，再使用「緩衝行進式平均損耗技術」配合類神經網路的讀取與更新週期，將資料高效寫入記憶體內，且延長記憶體使用壽命。

　資工系指出，何建忠助理教授聯合其他研究團隊的研究成果，除了能在不大幅改變現有架構、技術及不花費大量成本的情況下，有效解決當今訓練類神經網路面臨的困境，也將啟發未來超大型類神經網路架構的創新研究，更能被應用於類神經網路的推理階段。