{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,7,25]]，“日期-时间”：“2024-07-25T11:12:06Z”，“时间戳”：1721905926457}，“引用-计数”：49，“发布者”：“计算机协会（ACM）”，“问题”：“4”，“许可证”：[{“开始”：{-“日期-零件”：[2019,10,11]]，”日期-时间我“：“2019-10-11T00:00:00Z”，“timestamp”：1570752000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“http://www.acm.org\/publications\/policys\/corpyright_policy#Background”}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，”short-container-title“：[”acm Trans.Archit.Code Optim.“]，”published-print“：{”date-parts“：[2019,12,]31]]}，“摘要”：“\n神经网络具有广泛的工业和商业意义。二进制神经网络（BNN）在权衡性能、能源效率或硬件/软件复杂性的准确性方面尤其有效。在这里，我们介绍一种自旋电子、可重新配置的内存BNN加速器PIMBALL:\nP正在处理\n我<\/jats:bold>\n\nM<\/jats:bold>\n内存\nB<\/jats:bold>\n NN \nA<\/jats:bold>\n抄送\nL（L）<\/jats:bold>\n运算符，允许大规模并行和节能计算。PIMBALL能够同时用作标准自旋电子存储器（STT-MRAM）阵列和计算基板。我们使用多个图像分类器和基因组学内核评估PIMBALL。我们的仿真结果表明，PIMBALL比基于CPU、GPU和FPGA的替代实现更节能，同时提供更高的吞吐量。\n<\/jats:p>“，”DOI“：”10.1145\/3357250“，”type“：”journal-article“，”created“：{”date-parts“：[[2019,10,11]]，”date-time“：”2019-10-11T14:53:33Z“，”timestamp“：1570805613000}，”page“：“1-26”，“update-policy”：“http://\/dx.DOI.org\/10.1145\/crossmark-policy”，“source”：”Crossref“，”is-referenced-by-count“：25，“标题”：[“PIMBALL”]，“前缀”：“10.1145”，“volume“：”16“，”author“：[{”given“：“Salonik”，”family“：”Resch“，”sequence“：”first“，”affiliation“：[}”name“：”明尼苏达州明尼阿波利斯市双子城明尼阿波罗斯大学“}]}，{”Givent“：”S.Karen“，”faily“：“Khatamifard”，“sequence”：“additional”，“affiliation:[{“name”：“明尼苏达大学双子城明尼阿波利斯分校”}]}，{“ORCID”：“http:\/\/orcid.org\/00000-0002-4096-7000“，”authenticated-orcid“：false，”given“：”Zamshed Iqbal“，”family“：”Chowdhury“，”sequence“：”additional“，”affiliation“：[{”name“：”明尼苏达州明尼阿波利斯双城明尼苏德大学“}]}，{”givent“：”Masoud“，”家人“：”Zabihi“，”sequence“:”additionable“，”从属关系“：[}”明尼苏达大学双子城分校“}]}，{“given”：“Zhengyang”，“family”：“赵”，“sequence”：“additional”，“affiliation”：[{“name”：“University of Minnesota，Twin Cities，Minneapolis，Minneopolis”}]}，}“giving”：“Jian-Ping”，“家庭”：“Wang”，“sequence”:“additionable”，“feliation”:[{”name“：”明尼苏达州明尼阿波利斯市双子城明尼苏打大学“}]}，{“given”：“Sachin S.”，“family”：“Sapatnekar”，“sequence”：“additional”，“affiliation”：[{“name”：“明尼苏阿波利斯市明尼苏达州立大学双子城分校”}]}，}“giving”：“Ulya R.”，”family“：”Karpuscu“，”sequence“：”additional“，“afliation”明尼苏达州明尼阿波利斯市双子城明尼苏打大学“}]}]，“成员”：“320”，“在线发布”：{“date-parts”：[[2019,10,11]]}，“引用”：[{“键”：“e_1_2_1_1”，“非结构化”：“[n.d.]。Micron TN-41-01：计算DDR3的内存系统功率。检索自：https:\/\/www.micron.com/-\/media\/client\/global\/documents\/products\/technical-note\/dram\/tn41_01ddr3_power.pdf。【未注明日期】。Micron TN-41-01：计算DDR3的内存系统功率。检索自：https://www.micron.com\/-\/media\/client\/global\/documents\/products\/technology note\/dram\/tn41_01ddr3_power.pdf。“}，{”key“：”e_1_1_2_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1145\/3287624.3287644“}“key”：“e_2_1_3_1”，”doiasserted-by”：“publisher”，“doi”：“10.1109\/ASPDAC.2018.8297291”}，}“密钥”：“e_1_2_4_1”、“卷时间”：“国际机器学习会议论文集.2285--2294”，“作者”：“陈文林”，“年份”：“2015年”，“非结构化”：“陈文林（Wenlin Chen）、詹姆斯·威尔逊（James Wilson）、斯蒂芬·泰利（Stephen Tyree）、基里安·温伯格（Kilian Weinberger）和陈一新（Yixin Chen）。2015 . 使用哈希技巧压缩神经网络。《国际机器学习会议论文集》。2285--2294 . 陈文林（Wenlin Chen）、詹姆斯·威尔逊（James Wilson）、斯蒂芬·泰利（Stephen Tyree）、基里安·温伯格（Kilian Weinberger）和陈一新（Yixin Chen）。2015.使用哈希技巧压缩神经网络。机器学习国际会议论文集。2285-2294.“}，{“key”：“e_1_2_1_5_1”，“volume-title”：“第47届IEEE\/ACM微体系结构国际研讨会论文集。IEEE计算机学会，609--622”，“作者”：“陈云基”，“非结构化”：“陈云基，罗涛，刘少丽，张世进，何立强，王佳，李玲，陈天石，徐志伟，孙宁辉等人，2014。Dadiannao：一台机器学习的超级计算机。第47届IEEE\/ACM国际微体系结构研讨会论文集。IEEE计算机协会，609-622。陈云吉、罗涛、刘少丽、张世进、何丽强、王佳、李凌、陈天石、徐志伟、孙宁辉等，2014年。Dadiannao：一台机器学习的超级计算机。第47届IEEE\/ACM国际微体系结构研讨会论文集。IEEE Computer Society，609--622.“}，{”key“：”e_1_2_1_6_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/JSSC.2016.2616357”}，“key”：“e_1_cu1_7_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/LCA.2017.2751042 TCAD.2018.2857019“}，{“key”：“e_1_2_1_9_1”，“volume-title”：“二值化神经网络：训练深度神经网络，权重和激活限制为+1或-1。检索自：arXiv预印本arXiv:1602.02830“，”author“：”Courbariaux Matthieu“，”year“：”2016“，”unstructured“：”Matthieu-Courbariaux、Itay Hubara、Daniel Soudry、Ran El-Yaniv和Yoshua Bengio“。2016.二值化神经网络：训练深度神经网络，权重和激活限制为+1或-1。检索自：arXiv预印本arXiv:1602.02830（2016）。马蒂厄·库巴里奥（Matthieu Courbariaux）、伊泰·胡巴拉（Itay Hubara）、丹尼尔·苏德利（Daniel Soudry）、兰·埃尔·亚尼夫（Ran El-Yaniv）和约舒亚·本吉奥（Yoshua Bengio）。2016.二值化神经网络：训练深度神经网络，权重和激活限制为+1或-1。检索自：arXiv预印本arXiv:1602.02830（2016）。“}，{”key“：”e_1_1_10_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1063\/1.2717556”}，“key”：“e_1_i_11_11_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/1391469.1391610“}”，{键“：”e_1_2_1_13_1“，”卷时间“：”神经缓存：深度神经网络的位序列缓存内加速。检索自：arXiv预印本arXiv:1805.03718“，”author“：”Eckert Charles“，”year“：”2018“，”unstructured“：”Charles Eckert、Xiaowei Wang、Jingcheng Wang、Arun Subramaniyan、Ravi Iyer、Dennis Sylvester、David Blaauw和Reetuparna Das。2018.神经缓存：深度神经网络的位序列缓存内加速。检索自：arXiv预印本arXiv:1805.03718（2018）。查尔斯·埃克特（Charles Eckert）、王晓伟（Xiaowei Wang）、王京成（Jingcheng Wang），阿伦·苏布拉曼尼扬（Arun Subramaniyan）、拉维·伊耶（Ravi Iyer）、丹尼斯·西尔维斯特（Dennis Sylvester）、大卫·布劳（David Blaauw）和瑞图巴娜·达斯（Reetuparna Das）。2018.神经缓存：深度神经网络的位序列缓存内加速。检索自：arXiv预印本arXiv:1805.03718（2018）。“}，{”key“：”e_1_1_14_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/HPCA.2018.00015”}，“{”key“：“e_2_1_15_1”，“volume-title”：“在FPGA上实现快速高效的二值化神经网络推理。检索自：arXiv预印本arXiv:1810.02068”，“author”：“Fu Cheng”，“year”：“2018”，“unstructured”：“”程复、朱士林、郝苏、李清恩和赵继深。2018.在FPGA上实现快速高效的二值化神经网络推理。检索自：arXiv预印本arXiv:1810.02068（2018）。程复、朱士林、郝苏、李清恩和赵继深。2018.在FPGA上实现快速高效的二值化神经网络推理。检索自：arXiv预印本arXiv:11810.02068（2018）。“}，{”key“：”e_1_1_16_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3093337.3037702”}，“key”：“e_1_cu1_17_1”，“volume-title”：“机器学习国际会议论文集.1737--1746”，“author”：“Gupta Suyog”，“year”：“2015”，“unstructured”：“Suyog Gupta、Ankur Agrawal、Kailash Gopalakrishnan和Pritish Narayanan。2015 . 深度学习，数值精度有限。《国际机器学习会议论文集》。1737--1746 . Suyog Gupta、Ankur Agrawal、Kailash Gopalakrishnan和Pritish Narayanan。2015年，深度学习，数值精度有限。机器学习国际会议论文集。1737--1746.“}，{”key“：”e_1_2_1_18_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3240765.3240811”}，“key”：“e_1_cu1_19_1”，“volume-title”：“ACM\/IEEE第43届计算机体系结构国际研讨会论文集（ISCA\u201916）”，“author”：“Han Song”，“unstructured”：“Song Han，Xingyu Liu，Huizi Mao，Jing Pu，Ardavan Pedram，Mark A。霍洛维茨和威廉·戴利。2016.EIE：基于压缩深度神经网络的高效推理引擎。在ACM\/IEEE第43届计算机体系结构国际研讨会论文集（ISCA\u201916）上。IEEE，243--254。宋汉、刘星宇、毛慧子、蒲靖、佩德拉姆、马克·霍洛维茨和威廉·戴利。2016年，EIE：基于压缩深度神经网络的高效推理引擎。在ACM \/IEEE第43届计算机体系结构国际研讨会论文集（ISCA \u201916）上。IEEE，243--254.“}，{“key”：“e_1_2_1_20_1”，“volume-title”：“Dally”，“author”：“Han Song”，“year”：“2015”，“unstructured”：“Song Han，Huizi Mao，and William J.Dally。2015。深度压缩：使用剪枝、训练量化和Huffman编码压缩深度神经网络。检索自：arXiv预印本arXiv:1510.00149（2015）宋汉、毛慧子和威廉·戴利。2015.深度压缩：使用修剪、训练量化和哈夫曼编码压缩深度神经网络。检索自：arXiv预印本arXiv:1510.00149（2015）。“}，{”key“：”e_1_2_1_21_1“，”volume-title“：”神经信息处理系统进展会议论文集1135--1143“，”author“：”Han Song“，”year“：”2015“，”unstructured“：”宋汉、杰夫·普尔、约翰·Tran和威廉·戴利。2015 . 学习有效神经网络的权值和连接。神经信息处理系统进展会议论文集。1135--1143 . 宋汉、杰夫·普尔、约翰·Tran和威廉·戴利。2015年，学习有效神经网络的权重和连接。《神经信息处理系统进展会议论文集》。1135--1143.“}，{”key“：”e_1_2_1_22_1“，”volume-title“：”IEEE国际电子器件会议（IEDM\u201915）“，”author“：”Hu G.“，“非结构化”：”G.Hu，J.H.Lee，J.J.Nowak，J.Z.Sun，J.Harms，A.Annunziata，S.Brown，W.Chen，Y.H.Kim，G.Lauer等人，2015。双磁隧道结STT-MRAM。IEEE国际电子器件会议记录（IEDM\u201915）。IEEE，第26--3页。G.Hu、J.H.Lee、J.J.Nowak、J.Z.Sun、J.Harms、A.Annunziata、S.Brown、W.Chen、Y.H.Kim、G.Lauer等人，2015年。双磁隧道结STT-MRAM。IEEE国际电子器件会议记录（IEDM\u201915）。IEEE，26-3.“}，{”key“：”e_1_2_1_23_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3007787.3001178”}，“key”：“e_2_2_24_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/HPCA.2019.00017“}”，{51“}，{”键“：”e_1_1_26_1“，”卷时间“：”第26届现场可编程逻辑与应用国际会议论文集（FPL\u201916）”，“作者”：“李惠民”，“年份”：“2016年”，“非结构化”：“李惠民、樊锡田、李焦、曹伟、周学功、王凌丽。2016 . 用于大规模卷积神经网络的基于FPGA的高性能加速器。第26届现场可编程逻辑与应用国际会议论文集（FPL\u201916）。IEEE，1-9。李惠民、范锡田、李娇、曹伟、周学功和王凌丽。2016年，基于FPGA的大规模卷积神经网络高性能加速器。第26届现场可编程逻辑与应用国际会议论文集（FPL\u201916）。IEEE，1-9.“}，{“key”：“e_1_2_1_27_1”，“doi由”：“publisher”断言，“doi”：“10.1145\/2897937.2898064”}，{“key”：“e_1_2_1_28_1”，“doi由”：“publisher”断言，“doi”：“10.1016\/j.neucom.2017.09.046”}，{“key”：“e_1_2_1_29_1”，“doi由”：“publisher”断言，“doi”：“10.1109\/MIE.2016.26155575”}，{“key”：“e_1_2_1_30_1”，“首页”：“D306”，“文章标题”：“Co2FeAl-Heusler合金薄膜的低阻尼常数及其与状态密度的关系”，“体积”：“105”，“作者”：“Mizukami S.”，“年份”：“2009”，“非结构化”：“S.Mizukamai，D.Watanabe，M.Oogane，Y.Ando，Y.Miura，M.Shirai，和T.Miyazaki。2009 . Co2FeAl-Heusler合金薄膜的低阻尼常数及其与态密度的关系。J.应用。物理学。105，7（2009），07 D306。DOI:https:\/\/DOI.org\/10.1063\/1.3067607 arXiv:https:\/\/dio.org\/101063\/1.306 7607 10.1063\/1.3 067607 S.Mizukami、D.Watanabe、M.Oogane、Y.Ando、Y.Miura、M.Shirai和T.Miyazaki。Co2FeAl-Heusler合金薄膜的低阻尼常数及其与状态密度的关系。J.应用。物理学。105，7（2009），07D306。DOI:https:\/\/DOI.org\/10.1063\/1.3067607 arXiv:https:\/\/DOI.org\/10.1063“，”journal-title“：”J.Appli。物理学。“}，{”key“：”e_1_1_31_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/FPT.2016.7929192”}，“{”key“：“e_2_1_32_1”，“doi-assert-by”：“crossref”，”first-page:“1”，“doi:”10.1109\/TMAG.2018.284625“，”article-title“：”一种基于STT-MRAM的二元卷积神经网络多级单元计算内存加速器“，”volume“:”99“，”author“：“潘瑜”，“年份”：“2018年”，“非结构化”：“于攀、彭欧阳、赵英林、王康、尹守义、张有光、赵卫生、魏少军。2018 . 基于多级单元STT-MRAM的二进制卷积神经网络计算内存加速器。IEEE传输。Mag.99（2018），1-5。于攀、彭欧阳、赵英林、王康、尹守义、张有光、赵伟生和魏少军。2018年，基于多级单元STT-MRAM的二进制卷积神经网络计算内存加速器。IEEE Trans。Mag.99（2018），1-5.“，“期刊标题”：“IEEE Trans。Mag.“}，{“key”：“e_1_2_1_33_1”，“volume-title”：“ACM\/SIGDA现场可编程门阵列国际研讨会论文集。ACM，26-35”，“作者”：“邱建涛”，“非结构化”：“裘建涛，王杰，宋耀，郭开元，李伯顺，周二进，余锦成，唐天启，徐宁义，宋森等人，2016。深入研究卷积神经网络的嵌入式FPGA平台。ACM SIGDA现场可编程门阵列国际研讨会论文集。美国医学会，26-35。邱建涛、王杰、姚松、郭开元、李伯顺、周二进、余锦成、唐天奇、徐宁义、宋森等，2016年。深入研究卷积神经网络的嵌入式FPGA平台。ACM SIGDA现场可编程门阵列国际研讨会论文集。ACM，26--35.“}，{”key“：”e_1_1_34_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/978-3-319-46493-0_32”}，}，“key”：“e_2_1_35_1”，“volume-title”：“IEEE VLSI技术研讨会论文集。IEEE，1-2.”，“author”：“Saida Daisuke”，“unstructured”：“2016年，大冢赛达、川田昭里、美谷雅彦、田道美大埔、长谷直树、福本美吉、Miji Miwa、铃木义史、野口广子、藤田信步等。亚3 ns脉冲，1x--2x nm垂直MTJ的亚100μA开关，用于高性能嵌入式STT-MRAM向亚20 nm CMOS的转换。IEEE超大规模集成电路技术研讨会论文集。IEEE，1-2。2016年，大冢赛达、川田昭里、美谷雅彦、大岛美大宝、长谷直树、福本美吉、Miji Miwa、铃木义史、野口广子、藤田信步等。亚3 ns脉冲，1x--2x nm垂直MTJ的亚100μA开关，用于高性能嵌入式STT-MRAM向亚20 nm CMOS的转换。IEEE超大规模集成电路技术研讨会论文集。IEEE，1--2.“}，{”key“：”e_1_2_1_36_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1063\/1.4892924”}，“key”：“e_1_i_1_37_1”，“volume-title”：“第50届IEEE\/ACM微体系结构国际研讨会论文集。ACM，273--287”，“作者”：“Seshadri Vivek”，“非结构化”：“维维克·塞沙德里（Vivek Seshadri）、东赫·李（Donghyuk Lee）、托马斯·马林斯（Thomas Mullins）、哈桑·哈桑（Hasan Hassan）、阿米拉利·博罗曼德（Amirali Boroumand）、杰里米·金（Jeremie Kim）、迈克尔·科祖奇（Michael A.Kozuch）、。2017.环境：内存加速器，用于使用商品DRAM技术进行批量位操作。在第50届IEEE/ACM微体系结构国际研讨会论文集上。美国医学会，273--287。维维克·塞沙德里（Vivek Seshadri）、东赫·李（Donghyuk Lee）、托马斯·马林斯（Thomas Mullins）、哈桑·哈桑（Hasan Hassan）、阿米拉利·博罗曼德（Amirali Boroumand）、杰里米·金（Jeremie Kim）、迈克尔·科祖奇（Michael A.Kozuch）、。2017.环境：内存加速器，用于使用商品DRAM技术进行批量位操作。在第50届IEEE/ACM微体系结构国际研讨会论文集上。ACM，273--287.“}，{”key“：”e_1_2_1_38_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/284263.2847276”}，“key”：“e_1_i_1_39_1”，“doi-assert-by”：“publisher”，”doi“：”10.5555\/3201607.3201741“}、{”密钥“：”e_1_1_40_1“、”doi-sserted-by”“：”publisher“，”doi:“10.1109\/ASPDAC.2017.7858419“}，{”key“：”e_1_2_1_41_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3020078.3021744“}，{“key”：“e_1_2_1_42_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1145\/289797.2898101”}，“key“：”e_1_i_1_43_1“，”doi-assert-by“：”publisher“，“doi”：“10.1109\/JPROC.2018.2790840”}、{“密钥”：“e_1_2_1_44_1”、“doi-sserted-by“”：”publicher“，“doi”：”10.1109\/IEDM.2016.7838429“}，{“key”：“e_1_2_1_45_1”，“volume-title”：“自旋电子学CRAM的内存处理：从硬件设计到应用映射”，“作者”：“Zabihi Masoud”，“年份”：“2018年”，“非结构化”：“Masoud Zabihi，Zamshed Chowdhury，Zhengyang Zhao，Ulya R.Karpuscu，Jian-Ping Wang，Sachin Sapatnekar。2018.自旋电子学CRAM内存处理：从硬件设计到应用映射。IEEE传输。计算。( 2018 ). Masoud Zabihi、Zamshed Chowdhury、Zhengyang Zhao、Ulya R.Karpuscu、Jian-Ping Wang和Sachin Sapatnekar。2018.自旋电子CRAM的内存处理：从硬件设计到应用程序映射。IEEE传输。计算。(2018).“}，{”key“：”e_1_1_46_1“，”volume-title“：”第20届国际质量电子设计研讨会论文集（ISQED\u201919）“，”author“：”Zabihi Masoud“，”unstructured“：”Masoud Zabih，Zhengyang Zhao，D.C.Mahendra，Zamshed I.Chowdhury，Salonik Resch，Thomas Peterson，Ulya R.Karpuscu，Jian-Ping Wang，and Sachin S。萨帕特内卡尔。2019.使用spin-Hall MTJ构建节能内存计算平台。第20届质量电子设计国际研讨会论文集（ISQED\u201919）。IEEE，52-57。Masoud Zabihi、Zhengyang Zhao、D.C.Mahendra、Zamshed I.Chowdhury、Salonik Resch、Thomas Peterson、Ulya R.Karpuscu、Jian-Ping Wang和Sachin S.Sapatnekar。2019.使用spin-Hall MTJ构建节能内存计算平台。第20届质量电子设计国际研讨会论文集（ISQED\u201919）。IEEE，52-57.“}，{”键“：”e_1_2_1_47_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2684746.2689060”}，“键”：“e_1_i_1_48_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3020078.3021741“}DoReFa-Net：训练具有低比特宽度梯度的低比特宽度卷积神经网络。检索自：arXiv预印本arXiv:1606.06160“，“作者”：“周树昌”，“年份”：“2016”，“非结构化”：“周树昌，吴宇新，倪泽坤，周新余，何文，邹玉恒。2016年，DoReFa-Net：训练具有低比特宽度梯度的低比特宽度卷积神经网络。检索自：arXiv预印本arXiv:1606.06160（2016）。周树昌、吴玉欣、倪泽坤、周新余、何文和邹玉恒。2016年，DoReFa-Net：训练具有低比特宽度梯度的低比特宽度卷积神经网络。检索自：arXiv预印本arXiv:1606.06160（2016）。“}]，”container-title“：[”ACM Transactions on Architecture and Code Optimization“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3357250“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}”，”deposed“：{”date-parts“：[2023,1]]，”date-time“：“”2023-01-01T07:24:39Z“，”timestamp“：1672557879000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3357250”}}，“subtitle”：[“Spintronic Memory中的二进制神经网络”]，“short title”：[]，“issued”:{“date-parts”：[2019,10,11]]}，‘references-count’：49，‘journal-issue’：{‘issue’：“4”，“published-print“：{“日期部分”：[[2019,12,31]]}}，“alternative-id”：[“10.1145\/3357250”]，“URL”：“http://\/dx.doi.org\/10.1145\/335720”，“关系”：{}，“ISSN”：[”1544-3566“，”1544-3973“]，“ISSN-type”：[{“value”：“1544-3556”，“type”:“print”}，{“value”：“544-3973”，“类型”：“electronic”}]，“主题”：[]，“发布”：{“日期部分”：[[2019,10,11]]}，“断言”：[{“value”：“2019-03-01”，“order”：0，“name”：“received”，“label”：“Received”，“group”：{“name”：“publication_history”，“lable”：“publication history”}}，{“value”：“2019-08-01”，“order”：1，“name”:“accepted”，”label“：“accepted“，”group“：{”name“：”publication_history“，”label:“publication history历史”，“标签”：“出版物历史记录”}}]}}