Embracing the Unreliability of Memory Devices for Neuromorphic Computing
电阻式非易失性存储器的出现为在存储器附近或存储器中进行高能效计算开辟了道路。然而,这种类型的计算与传统的ECC不兼容,并且必须处理设备不可靠性。受动物大脑结构的启发,我们提出了一种适用于神经网络实现的差分混合CMOS/RRAM存储器结构,其功能无需正式ECC。我们还表明,使用低能量,但容易出错的编程条件,只有轻微降低网络的准确性。
2020-07-13 cs.ET
Resistive Memory for Computing and Security: Algorithms, Architectures, and Platforms
本论文围绕RRAM的存内计算与非易失特性,提出面向数字逻辑、多值计算和硬件安全原语的算法、架构及实验平台。
2024-07-04 cs.ET
A Photonic In-Memory Computing primitive for Spiking Neural Networks using Phase-Change Materials
脉冲神经网络(SNN)提供了一种事件驱动的,更生物现实的替代标准人工神经网络的基础上模拟信息处理。这可以潜在地实现神经形态系统的节能硬件实现,该神经形态系统模拟大脑的功能单元,即神经元和突触。基于相变材料(PCM)的超快光子计算设备的最新演示显示出解决电驱动神经形态系统的局限性的希望。然而,将这些独立计算设备缩放到并行存内计算原语是一个挑战。在这项工作中,我们利用的PCM,Ge \textsubscript{2} Sb \textsubscript{2} Te \textsubscript{5}(GST)的光学特性,提出了一个光子脉冲神经网络计算原语,包括一个非易失性突触阵列无缝集成与以前探索的“集成和消防”神经元。所提出的设计实现了一个“内存中”的计算平台,利用波分复用(WDM)的固有并行性。我们表明,所提出的计算平台可以用来模拟SNN推理引擎的图像分类任务。所提出的设计不仅弥合了隔离计算设备和并行大规模实现之间的差距,而且为超快速计算和本地化片上学习铺平了道路。
2018-10-24 cs.ET
Experimental demonstration of Single-Level and Multi-Level-Cell RRAM-based In-Memory Computing with up to 16 parallel operations
电阻式存储器(RRAM)的纵横阵列有望实现存内计算(IMC),但由于器件缺陷和器件耐久性的影响而带来的基本挑战尚未被克服。在这项工作中,我们通过实验证明了一个基于RRAM的IMC逻辑概念,即使在一百万个耐久性周期后,也能对RRAM的变化具有很强的弹性。我们的工作依赖于概括的概念,在内存中侦察逻辑,我们证明了它的实验多达16个并行设备(操作数),一个新的里程碑RRAM在内存中的逻辑。此外,我们结合内模与多级单元编程,并在实验上证明,第一次,一个IMC的MRAM为基础的MLC 2位加法器。
2022-03-03 cs.ET
From Stochastic to Bit Stream Computing: Accurate Implementation of Arithmetic Circuits and Applications in Neural Networks
在这项研究中,我们提出了一种新的计算范式“比特流计算”,这是构建在随机计算中使用的逻辑,但不一定采用随机或二项分布的比特流随机计算。任何类型的流都可以随机或确定地使用。所提出的范例受益于随机逻辑的面积优势和传统二进制逻辑的精度优势。我们实现精确的算术乘法器和加法器电路,分为异步或同步,我们也考虑他们的处理连续流的适用性。采用AMS 0.35 μ m CMOS工艺对所提出的电路进行了门级和管级仿真,以显示电路的实用潜力。我们彻底比较建议的加法器和乘法器与他们的前辈在文献中,单独和在神经网络应用。在面积和精度方面进行的比较明显有利于所提出的设计。我们相信,这项研究开辟了新的视野计算,使我们能够实现更小,但准确的算术电路相比,传统的二进制和随机的。
2019-04-27 cs.ET
Hardware Security in Spin-Based Computing-In-Memory: Analysis, Exploits, and Mitigation Techniques
内存计算(Computing-in-memory,CIM)是为了缓解传统Von-Neumann体系结构中处理器-内存数据传输的瓶颈而提出的,而基于自旋电子学的磁存储器在实现CIM范式方面表现出了许多便利性。由于硬件安全已成为电路设计中的主要关注点之一,本文首次从安全的角度研究了基于自旋的内存计算(SpinCIM)。我们关注两个基本问题:1)如何利用新的SpinCIM计算范式来增强硬件安全性?2)这种新的SpinCIM计算模式引发了哪些安全问题?
2020-06-02 cs.AR cs.ET
Hierarchical Temporal Memory Based on Spin-Neurons and Resistive Memory for Energy-Efficient Brain-Inspired Computing
分层时间记忆(HTM)试图模仿大脑新皮层的计算过程。它识别输入中的空间和时间模式以进行推断。这可能需要大量的计算昂贵的任务,如点积评估。可以为这种基元提供直接映射的纳米器件引起了极大的兴趣。在这项工作中,我们表明,HTM的计算块可以映射使用低电压,快速开关,磁金属自旋神经元结合新兴的电阻交叉杆网络(RCN)。结果显示,与45 nm CMOS ASIC设计相比,能耗可能降低200倍以上
2014-02-10 cond-mat.dis-nn cs.ET
Ionic Sieving Through One-Atom-Thick 2D Material Enables Analog Nonvolatile Memory for Neuromorphic Computing
第一份关于通过原子薄2D材料的原子筛的离子输运的报告被提供以解决电化学随机存取存储器(ECRAM)设备的关键限制。
2021-09-30 cs.ET physics.app-ph
Principles of Stochastic Computing: Fundamental Concepts and Applications
半导体和IC行业正面临着高能耗的问题。现代计算机和处理系统是基于图灵机和冯·诺依曼的体系结构设计的。这种架构主要关注基于确定性行为的系统设计。为了解决系统的能耗和可靠性问题,引入了随机计算。在这项研究中,我们的目标是审查和研究随机计算及其实现技术背后的原则。通过利用随机计算,我们可以在设计运算单元方面实现更高的能量效率和更小的面积大小。此外,我们的目标是推广随机系统在设计未来BLSI和神经形态系统的联系。
2020-11-08 cs.CV cs.ET
Platform Independent Software Analysis for Near Memory Computing
近存储器计算(NMC)有望提高应用程序的性能,这些应用程序可以利用新兴存储器技术(如3D堆栈存储器)的功能。然而,要找到这样的应用程序并不容易,需要专门的工具来识别它们。在本文中,我们提出了PISA-NMC,它扩展了一个国家的最先进的硬件不可知的分析工具,有关内存和并行性,这是相关的NMC的指标。这些指标包括内存熵、空间局部性、数据级和基本块级并行性。通过分析一组代表性的应用程序和相关的指标与应用程序的性能在一个模拟的NMC系统,我们验证了这些指标的重要性。最后,我们展示了哪些指标是有用的,在确定适用于NMC架构的应用程序。
2019-06-24 cs.ET cs.PF
Memory-Centric Computing
以内存为中心的计算通过在数据生成和存储处启用计算能力,从根本上减少数据移动与访问延迟,提升系统性能和能效,主要分为使用内存处理和近内存处理两大类架构。
2023-09-13 cs.AR cs.DC cs.ET
Hardware-software co-exploration with racetrack memory based in-memory computing for CNN inference in embedded systems
Department of Electrical and Computer Engineering, National University of Singapore(电子与计算机工程系,新加坡国立大学);Institute of High Performance Computing, Agency for Science, Technology and Research(高性能计算研究所,科技研究局);Institute of Computing Technology, Chinese Academy of Sciences(计算技术研究所,中国科学院);School of Computing, National University of Singapore(计算系,新加坡国立大学);Hong Kong University of Science and Technology(香港科学与技术大学)
本文针对嵌入式系统中CNN推理的资源受限问题,提出基于赛道存储的存内计算加速器,通过设计基础算术电路并采用硬件-软件协同设计优化系统与模型架构,在保持精度的同时显著降低面积和能耗、提升性能。
2025-07-02 cs.AI cs.AR cs.ET
SPINBIS: Spintronics based Bayesian Inference System with Stochastic Computing
贝叶斯推理是解决统计学习问题的一种有效方法,特别是在不确定性和不完全性的情况下。然而,贝叶斯推理是一个计算密集型的任务,其效率在物理上受到传统计算平台瓶颈的限制。在这项工作中,自旋电子学为基础的随机计算方法提出了有效的贝叶斯推理。利用自旋电子器件固有的随机开关特性,设计了一种用于CMOS/MTJ混合电路随机计算的随机比特流发生器(SBG)。为了提高推理效率,利用SBG共享策略,通过在SBG阵列和随机计算逻辑之间集成开关网络来减少所需的SBG阵列规模。提出了一种从设备到体系结构的评估自旋电子学贝叶斯推理系统(SPINBIS)性能的框架。数据融合应用的实验结果表明,SPINBIS可以提高能源效率约12倍的MTJ为基础的方法,45%的设计面积开销和约26倍的FPGA为基础的方法。
2019-02-19 cs.AR cs.ET
Wavelength-multiplexed Delayed Inputs for Memory Enhancement of Microring-based Reservoir Computing
Technical University of Denmark(丹麦技术大学);Univ Rennes(雷恩大学)
提出一种融合并行延迟输入与波分复用的硅基add-drop微环储备池计算方案,在无外部光反馈条件下提升记忆能力并良好完成时间序列预测任务。
2023-12-07 cs.ET cs.LG cs.NE
Maximizing Memory-Level Parallelism via Integrated Stochastic Logic-in-Memory Architectures
University of Minnesota(明尼苏达大学);Case Western Reserve University(凯斯西储大学);University of Louisiana at Lafayette(路易斯安那大学拉斐特分校)
本文提出一种基于磁隧道结内存的并行随机计算架构,通过在内存内实现端到端计算流水线,减少数据移动并提高并行性。
2026-04-25 cs.AR cs.ET eess.IV
Computing with volatile memristors: An application of non-pinched hysteresis
在内存中计算的可能性与易失性忆阻器件,即忆阻器需要一个电源来维持他们的记忆,证明。我们采用了一种滞后石墨烯基场发射结构作为挥发性忆阻器的原型,其特征在于非箍缩的磁滞回线。该结构的忆阻模型被开发并用于模拟实现诸如物质蕴涵的存储器内计算门的多态电路。识别实现有用逻辑函数的参数空间的特定区域。我们的研究结果是适用于其他实现的易失性存储器设备。
2016-11-24 cond-mat.mes-hall cs.ET
FPIA: Field-Programmable Ising Arrays with In-Memory Computing
针对二次伊辛机存内计算实现资源利用率低的问题,受岛式FPGA启发提出FPIA存内计算架构,结合开源工具优化映射与布线,实现最高60倍面积提升与更快运算,并探讨算法-电路协同设计方向。
2024-01-29 cs.AR cs.ET
Antiferromagnetic Tunnel Junctions (AFMTJs) for In-Memory Computing: Modeling and Case Study
Department of Electrical and Computer Engineering The University of Arizona, USA(亚利桑那大学电气与计算机工程系)
AFMTJs通过多子晶格LLG动力学与电路建模结合,实现内存计算中的低功耗高效运算,显著优于传统MTJ方案。
2026-02-09 cs.AR cs.ET
In-memory hyperdimensional computing
IBM Research – Zurich(IBM苏黎世研究院);ETH Zürich(苏黎世联邦理工学院)
超维计算(HDC)是一种新兴的计算框架,其灵感来自神经元回路的属性,如超维性,全分布式全息表示和(伪)随机性。当用于机器学习任务(如学习和分类)时,HDC涉及对内存中的大模式进行操作和比较。此外,HDC的一个关键属性是其对与其实现的计算衬底相关联的缺陷的鲁棒性。因此,它特别适合于新兴的非冯·诺依曼范例,例如存内计算,其中利用纳米级忆阻器件的物理属性来就地执行计算。在这里,我们提出了一个完整的内存中的HDC系统,实现了一个接近最佳的权衡设计复杂性和分类精度的基础上三个原型的HDC相关的学习任务,即语言分类,新闻分类,和手势识别肌电信号。通过实验,使用760,000个相变存储器设备执行模拟存内计算,证明了与软件实现相当的精度。
2020-04-09 cs.AI cs.ET physics.app-ph
A Distributed Emulation Environment for In-Memory Computing Systems
针对内存计算设备开发耗时问题,提出分布式可扩展仿真系统,支持芯片流片前进行系统分析、微码测试与应用部署,实验验证其有效性。
2025-10-09 cs.AI cs.ET
Ultra Low Power Associative Computing with Spin Neurons and Resistive Crossbar Memory
新兴的连续交叉开关存储器(RCM)技术可以用于计算昂贵的模拟模式匹配任务。然而,使用CMOS模拟电路与RCM将导致大的功耗和差的可扩展性,从而回避基于RCM的计算的好处。我们建议使用低电压,快速开关,磁金属自旋神经元的超低功耗非布尔计算与RCM。我们提出了使用RCM的模拟联想记忆人脸识别的设计,其中,取代传统的模拟电路与自旋神经元可以实现约100倍的低功耗。这使得所提出的设计比45 nm-CMOS数字ASIC节能约1000倍,从而显着增强了基于RCM的计算硬件的前景。
2013-04-08 cond-mat.mtrl-sci cs.ET
High-Throughput In-Memory Computing for Binary Deep Neural Networks with Monolithically Integrated RRAM and 90nm CMOS
由于密度、泄漏和并行计算挑战,深度学习硬件设计一直受到SRAM等传统存储器的挑战。电阻器件可以解决密度和易失性问题,但受到外围电路集成的限制。在这项工作中,我们展示了一个可扩展的RRAM为基础的存内计算的设计,称为XNOR-RRAM,这是在90纳米CMOS工艺与单片集成的RRAM器件之间的金属1和2。我们将128 x 64 RRAM阵列与包括行/列解码器和闪存模数转换器(ADC)在内的CMOS外围电路集成在一起,这些电路共同成为面向大型深度神经网络(DNN)的可扩展基于RRAM的存内计算的核心组件。为了最大限度地提高存内计算的并行性,我们同时置位RRAM阵列的所有128条字线,沿位线执行模拟计算,并使用ADC对复位电压进行复位。通过写验证方案收紧低阻态的电阻分布,并对ADC失调进行校准。原型芯片测量表明,所提出的设计分别实现了MNIST和CIFAR-10数据集的98.5%和83.5%的高二进制DNN准确度,能量效率分别为24 TOPS/W和158 GOPS吞吐量。与最先进的文献相比,这表示吞吐量、能量延迟乘积(EDP)和能量延迟平方乘积(ED 2 P)分别提高了5.6倍、3.2倍和14.1倍。所提出的XNOR-RRAM可以为面积/能量受限的边缘计算设备实现智能功能。
2019-09-16 cs.ET cs.NE
Tutorial: Analog Matrix Computing (AMC) with Crosspoint Resistive Memory Arrays
矩阵计算在现代科学和工程领域中无处不在。由于传统数字计算机中的高计算复杂性,矩阵计算在许多数据密集型应用中代表了繁重的工作量,机器学习、科学计算和无线通信。对于快速、高效的矩阵计算,具有电阻存储器阵列的模拟计算已被证明是一种有前途的解决方案。本文提出了一种基于交叉点电阻存储器阵列的模拟矩阵计算(AMC)电路。AMC电路能够执行基本的矩阵计算,包括矩阵乘法、矩阵求逆、伪逆和特征向量计算,所有这些都通过一次操作完成。我们描述的AMC电路的主要设计原则,如局部/全局或负/正反馈配置,有/无外部输入。包含负值的矩阵的映射策略将被呈现。电路稳定性的基本要求将通过传递函数分析来描述,传递函数分析还定义了电路实现稳态结果的时间复杂度。最后,将讨论AMC电路的典型应用、挑战和未来趋势。
2022-05-12 cs.ET eess.SP
Ultra-High-density 3D vertical RRAM with stacked JunctionLess nanowires for In-Memory-Computing applications
Von-Neumann瓶颈是数据密集型应用程序的一个明显限制,使内存计算(IMC)解决方案脱颖而出。由于大数据集通常存储在非易失性存储器(NVM)中,因此已经基于新兴存储器(诸如OxRAM)提出了各种解决方案,这些新兴存储器主要依赖于面积饥饿、一个晶体管(1 T)一个OxRAM(1 R)位单元。为了解决这个面积问题,同时保持由1 T1 R位单元提供的编程控制,我们提出将栅极全包围堆叠无结纳米线(1 JL)和OxRAM(1 R)技术相结合以创建具有存储密度的3D存储器柱。纳米线无结晶体管已被制造,表征和模拟,以定义整个支柱的电流条件。最后,基于集成电路重点仿真程序(SPICE)仿真,我们成功地演示了侦察逻辑操作到三柱层,每层一个操作数。
2020-11-30 cs.ET physics.app-ph
Stoch-IMC: A Bit-Parallel Stochastic In-Memory Computing Architecture Based on STT-MRAM
本文提出基于STT-MRAM的位并行随机存内计算架构Stoch-IMC,通过随机逻辑、调度映射算法及子阵列内并行显著提升性能、降低能耗并增强寿命与位翻转容忍度。
2024-11-28 cs.AR cs.ET
Apparate: Evading Memory Hierarchy with GodSpeed Wireless-on-Chip
本文提出Apparate,利用片上GodSpeed无线收发器与近端高速DRAM直接处理内存请求,以消除传统内存层次结构,提升计算系统的效率与响应速度。
2024-04-23 cs.AR cs.ET
Redesigning Commercial Floating-Gate Memory for Analog Computing Applications
我们已经修改了一个商业或非闪存阵列,使模拟计算应用的各个浮栅单元的高精度调谐。在180 nm工艺中,每个单元的修饰阵列面积约为1.5 μ m^2。虽然该面积大约是原始单元尺寸的两倍,但它仍然比现有技术的模拟电路实现方式小至少一个数量级。新的存储单元阵列已被成功地测试,特别是确认,每个单元可以自动调谐,约1%的精度,在几乎三个数量级的动态范围内的任何所需的亚阈值读出电流值,甚至使用未优化的调谐算法。一个四象限矢量矩阵乘法器的初步结果,实施与修改后的存储器阵列栅极耦合与额外的外围浮栅晶体管,显示在很宽的输入电流范围内的高度线性传输特性。
2014-10-16 cond-mat.other cs.ET
Stochastic Computing with Integrated Optics
随机计算(SC)允许降低硬件复杂度并提高错误弹性应用的能量效率。然而,计算范例的主要限制是由比特流的固有串行计算引起的低吞吐量。在本文中,我们解决的实现SC在光域中,以提高计算速度的目的。我们实现了一个通用的光学架构,允许执行多项式函数。我们提出了设计方法来探索设计空间,以优化关键指标,如电路的鲁棒性和功耗。我们表明,一个电路实现一个二阶多项式次数的功能,并在1GHz的工作导致20.1pJ的激光消耗每计算位。
2019-03-26 cs.ET physics.optics
Hardware Optimizations of Dense Binary Hyperdimensional Computing: Rematerialization of Hypervectors, Binarized Bundling, and Combinational Associative Memory
ETH Zürich(苏黎世联邦理工学院);Università di Bologna(博洛尼亚大学)
大脑启发的超维(HD)计算用超维空间的点(即超向量)对大脑回路的大小的神经活动模式进行建模。超向量是$D$维(伪)随机向量,具有独立同分布(i.i.d.)构成超宽全息字的组件:例如,$D = 10,000$位。在其核心,HD计算操纵一组种子超向量来构建表示感兴趣对象的复合超向量。它要求内存优化与简单的操作,一个高效的硬件实现。在本文中,我们提出了硬件技术的优化HD计算,在一个综合的VHDL库,使学习和分类任务的协同实施只有一小部分的Xilinx(R)的UltraScale(TM)FPGA:(1)我们提出了简单的逻辑操作,重新实体化的超向量的飞行,而不是从内存中加载它们。这些操作通过直接计算复合超向量而大大减少了内存占用,复合超向量的单个种子超向量不需要存储在内存中。(2)随着时间的推移捆绑一系列超向量需要为每个超向量分量使用多位计数器。相反,我们提出了一个二进制化的背靠背捆绑,而不需要任何计数器。这真正实现了以最少的资源进行片上学习,因为每个超向量分量在训练过程中保持二进制,以避免多位分量。(3)对于每个分类事件,关联存储器负责通过使用距离度量找到一组学习的超向量和查询超向量之间的最接近匹配。该运算符与[…]
2019-04-03 cs.ET cs.LG
Reliability-Aware Deployment of DNNs on In-Memory Analog Computing Architectures
University of South Carolina(南卡罗来纳大学)
传统的存内计算(IMC)架构由用于加速矩阵向量乘法(MVM)的模拟忆阻交叉开关和用于实现深度神经网络(DNN)中的非线性向量(NLV)运算的数字功能单元组成。然而,这些设计需要高耗能的信号转换单元,其可以消耗系统总功率的95%以上。另一方面,内存模拟计算(IMAC)电路通过在模拟域中实现MVM和NLV操作,消除了对信号转换器的需要,从而显著节省了能源。然而,它们更容易受到诸如互连寄生和噪声等可靠性挑战的影响。在这里,我们介绍了一种实用的方法,将DNN中的大型矩阵部署到多个较小的IMAC子阵列上,以减轻噪声和寄生效应的影响,同时将计算保持在模拟域中。
2022-10-02 cs.AR cs.ET cs.LG
IMCRYPTO: An In-Memory Computing Fabric for AES Encryption and Decryption
本文提出了一种用于加速AES加密和解密的存内计算(IMC)结构IMMPTO。IMPLENTPTO采用统一的结构在单个硬件架构中实现加密和解密,并结合了(Inv)Substance和(Inv)MixColumns步骤。由于这种步骤组合,以及由多个随机存取存储器(RAM)和随机存取/内容可寻址存储器(RA/CAM)阵列单元实现的高并行性,IMPLEPTO在不牺牲面积和功耗的情况下实现了高吞吐量加密和解密。此外,由于集成了RISC-V内核,IMPERIPTO提供了可编程性和灵活性。与之前用于AES-128加密的ASIC/IMC架构相比,IMPLEPTO将单位面积的吞吐量提高了最小(最大)3.3倍(223.1倍)。预测显示,新兴技术带来的额外效益高达IMPLEPTO面积延迟功率产品的5.3倍。
2021-12-04 cs.AR cs.CR cs.ET
Harnessing the Full Potential of RRAMs through Scalable and Distributed In-Memory Computing with Integrated Error Correction
针对RRAM存内计算器件非理想性与可扩展性瓶颈,提出全栈分布式框架MELISO+,通过两级纠错和分布式计算支持超65000维矩阵运算,显著降低误差并提升能效与延迟表现。
2025-08-26 cs.AR cs.DC cs.ET
Dynamic Computing Random Access Memory
目前的冯·诺依曼计算范式涉及中央处理单元(CPU)和存储器之间的大量信息传输,伴随着实际执行速度的限制。然而,最近有人认为,一种不同形式的计算,被称为memcomputing [Nature Physics,9,200-202(2013)],并受到我们大脑操作的启发,可以通过允许在同一物理平台上计算和存储信息来解决当今架构的固有局限性。在这里,我们展示了一个简单而实用的memcomputing实现,利用易于构建的忆电容系统。我们将这种体系结构命名为动态计算随机存取存储器(DCRAM)。我们表明,DCRAM提供了并行和多态的数字逻辑,即它允许不同的逻辑运算与相同的架构,通过只改变控制信号。此外,考虑到现实的参数,它的能量消耗可以低至几个fJ每次操作。DCRAM与CMOS技术完全兼容,可以用当前的制造设备实现,因此可以真正作为当前计算技术的替代品。
2014-03-17 cond-mat.mes-hall cs.AR cs.ET
Parallel in-memory wireless computing
提出利用忆阻器交叉阵列融合存内计算与无线通信的并行方案,实现480比特零误码传输,功耗较传统方案降低两个数量级,并可拓展至声学和光学通信。
2023-09-30 cs.AR cs.ET cs.SY
Stochastic Analysis of Retention Time of Coupled Memory Topology
本文受Glauber动力学启发,提出一个物理准确的通用数学框架,用于分析耦合存储器拓扑结构的保持时间,并通过闭式表达式验证其有效性,以评估材料和拓扑的影响。
2024-11-29 cs.CE cs.ET physics.app-ph
Evidence of In-Memory Computing in a Ferrofluid
磁流体是重要研究领域的优秀候选者,包括能量收集,生物医学应用,软机器人和探索。然而,尽管已经证明了相关的进步,如形状可重构性,但没有证据表明它们的计算能力,包括模拟突触功能。在这里,我们的实验表明,Fe3O4水基磁流体(FF)可以执行电气模拟计算和编程使用准直流信号和射频(RF)模式下读取。我们已经观察到了可归因于忆阻行为的各个方面的特征,包括短期和长期的信息存储容量和可塑性。胶体能够使用定制的存储器内信号处理方案并通过训练读出层的物理储备池计算(PRC)来对8 × 8像素数据集的数字进行分类。
2022-11-15 cond-mat.dis-nn cond-mat.other cs.ET
Neuromorphic Photonic Computing with an Electro-Optic Analog Memory
University of British Columbia(不列颠哥伦比亚大学);Queen’s University(女王大学);Princeton University(普林斯顿大学)
本文提出了一种具有电光模拟记忆的类脑光子计算架构,通过减少数据移动和能耗,实现了高效的机器学习推理。
2026-01-12 cs.ET cs.SY eess.SP
Hyperspectral In-Memory Computing with Optical Frequency Combs and Programmable Optical Memories
NTT Research, Inc.(NTT研究公司);The Graduate Center, City University of New York(纽约城市大学研究生中心);Korea University(高丽大学)
提出一种结合光学频率梳空间与频率复用及可编程光学存储器的高光谱内存计算架构,实验验证了高于4位精度的乘累加运算,具备模块化、可扩展性,有望实现每秒千万亿次运算的高能效光学计算。
2023-10-17 cs.ET cs.LG cs.NE
Hybrid In-memory Computing Architecture for the Training of Deep Neural Networks
King’s College London(伦敦国王学院);Arizona State University(亚利桑那州立大学)
在冯-诺依曼架构上训练深度神经网络(DNN)所涉及的成本促使开发用于高效DNN训练加速器的新解决方案。我们提出了一种混合存内计算(HIC)架构,用于在硬件加速器上训练DNN,从而实现内存高效推理,并在基准任务中优于基线软件准确性。我们引入了一个权重表示技术,利用二进制和多级相变存储器(PCM)设备,这导致了一个内存高效的推理加速器。与以前的基于存内计算的实现不同,我们使用了一个低精度的权重更新累加器,从而节省了更多的内存。我们训练ResNet-32网络使用HIC对CIFAR-10图像进行分类。对于可比较的模型大小,通过利用适当的网络宽度乘数,基于FPGA的训练优于以浮点32位(FP 32)精度训练的基线网络。此外,我们观察到,基于神经网络的训练导致推理模型大小减少约50%,以实现基线可比的准确性。我们还表明,PCM设备中的时间漂移对长时间(年)的训练后推理准确性的影响可以忽略不计。最后,我们的模拟表明,基于FPGA的训练自然确保了设备所看到的写擦除周期数是PCM耐久性极限的一小部分,证明了这种架构实现可以在现场学习的硬件平台的可行性。
2021-02-10 cs.AI cs.AR cs.ET