A Complementary Resistive Switch-based Crossbar Array Adder
基于氧化还原的电阻开关器件(ReRAM)是适用于纳米级存储器应用的一类新兴的非易失性存储器元件。在逻辑运算方面,建议将ReRAM器件用作可编程互连、大规模查找表或用于顺序逻辑运算。然而,在没有附加的选择器器件的情况下,这些方法不适用于大规模纳米交叉条存储器阵列,由于最小的面积消耗,大规模纳米交叉条存储器阵列是ReRAM器件的优选架构。为了克服这个问题的顺序逻辑方法,我们最近推出了一个新的概念,这是适合于无源交叉阵列使用互补电阻开关(CRS)。CRS单元提供两个高电阻存储状态,并且因此有效地避免了寄生电流。然而,到目前为止,基于CRS的存储器中逻辑方法仅被示出为能够使用单个CRS单元来执行基本布尔逻辑运算。在本文中,我们介绍了两个多位加法器计划使用CRS为基础的逻辑内存的方法。我们证明的概念,通过SPICE模拟使用动态忆阻器件模型的ReRAM单元。最后,我们展示了我们的新加法器概念的优势,在步数和设备的数量相比,最近发表的加法器的方法,它适用于传统的ReRAM为基础的时序逻辑概念Borghetti等人介绍。
2015-02-27 cs.ET
NeuroHammer: Inducing Bit-Flips in Memristive Crossbar Memories
新兴的非易失性存储器(NVM)技术在能源效率、延迟和诸如存储器中计算的特征方面提供了独特的优势。因此,新兴的NVM技术被认为是下一代神经形态平台中计算和存储的理想基底。需要对这些技术的基本可靠性和安全性问题进行评估。在本文中,我们提出了\emph{NeuroHammer},这是由存储单元之间的热串扰引起的ReRAM交叉开关中的安全威胁。我们证明,通过系统地写入相邻的存储单元,可以在交叉开关中的ReRAM器件中故意诱导位翻转。仿真流程的开发,以评估NeuroHammer和物理参数对攻击的有效性的影响。最后,我们讨论了可能的攻击场景的背景下的安全问题。
2021-12-06 cs.ET
ReaLPrune: ReRAM Crossbar-aware Lottery Ticket Pruned CNNs
在边缘训练机器学习(ML)模型(在最终用户设备上进行片上训练)可以解决许多紧迫的挑战,包括数据隐私/安全性,通过减少对通信结构和云基础设施的依赖来增加ML应用程序对世界不同地区的可访问性,并满足AR/VR应用程序的实时要求。然而,现有的边缘平台没有足够的计算能力来支持复杂的机器学习任务,例如训练大型CNN。基于ReRAM的架构为片上CNN训练/推理提供了高性能且节能的计算平台。然而,基于ReRAM的架构不能随着CNN的大小而扩展。较大的CNN具有更多的权重,这需要更多的ReRAM单元,而这些单元无法集成在单个芯片中。此外,在芯片上训练较大的CNN将需要更高的功率,这是这些较小的设备无法承受的。修剪是解决这一问题的有效方法。然而,现有的修剪技术要么只针对推理,或者它们不是交叉感知的。这导致基于ReRAM的架构上的CNN训练的次优硬件节省和性能优势。在本文中,我们通过提出一种新的横杆感知修剪策略来解决这个问题,称为ReaLPrune,它可以修剪超过90%的CNN权重。修剪后的模型可以从头开始训练,而不会有任何准确性损失。实验结果表明,与未修剪的CNN相比,ReaLPrune将硬件需求降低了77.2%,并将CNN训练速度加快了约20倍。ReaLPrune在性能和硬件节省方面也优于其他纵横感知修剪技术。此外,ReaLPrune对于多样化的数据集和更复杂的CNN同样有效
2022-03-23 cs.AR cs.ET
Multi-Objective Optimization of ReRAM Crossbars for Robust DNN Inferencing under Stochastic Noise
Duke University(杜克大学);Washington State University(华盛顿州立大学)
提出 ReSNA 噪声感知训练与 CF-MESMO 连续保真度多目标优化方法,以低成本获得 ReRAM 加速器在精度、面积、时间和能耗间的高质量 Pareto 前沿。
2021-09-12 cs.ET cs.LG
FORMS: Fine-grained Polarized ReRAM-based In-situ Computation for Mixed-signal DNN Accelerator
Northeastern University(东北大学);Georgia Institute of Technology(佐治亚理工学院);Samsung(三星);Stevens Institute of Technology(史蒂文斯理工学院);University of Southern California(南加州大学);University of Utah(犹他大学);University of Connecticut(康涅狄格大学)
最近的工作证明了使用电阻式随机存取存储器(ReRAM)作为一种新兴技术来执行固有的并行模拟域原位矩阵向量乘法(DNN中的密集和关键计算)的前景。利用存储在ReRAM交叉开关单元中的权重作为电导,当输入向量被施加到字线时,矩阵向量乘法结果可以被生成为位线中的电流。一个关键问题是权重可以是正的也可以是负的,但是原位计算假设每个交叉杆列上的所有单元具有相同的符号。当前的架构要么使用两个ReRAM交叉条来表示正权重和负权重,要么向权重添加偏移量,以便所有值都变为正值。这两种解决方案都不是理想的:它们要么使交叉开关的成本加倍,要么产生额外的偏移电路。为了更好地解决这个问题,本文提出了FORMS,这是一种具有极化权重的基于ReRAM的细粒度DNN加速器。我们的关键设计原则不是试图表示正/负权重,而是严格执行原位计算中的假设-确保交叉杆同一列中的所有权重具有相同的符号。它自然避免了额外的交叉开关的成本。这样的权重可以使用交替方向乘法(ADMM)正则化优化来很好地生成,这可以在DNN权重中精确地执行某些模式。为了实现高精度,我们建议使用细粒度的子数组列,这为输入零跳过提供了一个独特的机会,大大避免了不必要的计算。这也使得硬件更容易实现。将所有这些放在一起,使用相同的优化模型,FORMS实现了显着的吞吐量提高,并以类似的面积成本提高了ISAAC的每秒帧速度。
2021-06-16 cs.AR cs.ET cs.LG
PANTHER: A Programmable Architecture for Neural Network Training Harnessing Energy-efficient ReRAM
深度神经网络的广泛采用伴随着不断增长的能量和性能需求,这是由于训练它们的昂贵性。已经提出了许多专用架构来加速训练:数字和混合数字模拟使用电阻式RAM(ReRAM)交叉杆。基于ReRAM的加速器已经证明了ReRAM crossbar在执行训练中普遍存在的矩阵向量乘法运算方面的有效性。然而,由于使用串行读取和写入来执行权重梯度和更新步骤,它们仍然遭受低效率。一些工作已经证明了在交叉杆中执行外积的可能性,其可以用于实现权重梯度和更新步骤而不使用串行读取和写入。然而,这些工作一直局限于低精度的操作,这是不够的典型的训练工作量。此外,它们仅限于完全连接层的有限训练算法集。为了解决这些限制,我们提出了一种位切片技术,用于提高基于ReRAM的外积的精度,这与仅用于矩阵向量乘法的位切片有很大不同。我们将这种技术融入到一个交叉结构中,有三种变体迎合了不同的训练算法。为了评估我们在神经网络中不同类型的层(全连接,卷积等)上的设计,和训练算法,我们开发PANTHER,ISA可编程的训练加速器与编译器的支持。我们的评估表明,与数字加速器、基于ReRAM的加速器和GPU相比,PANTHER分别实现了高达$8.02\times$、$54.21\times$和$103\times$的能耗降低以及$7.16\times$、$4.02\times$和$16\times$的执行时间缩短。
2019-12-24 cs.AR cs.DC cs.ET
Hardware Implementation of Ring Oscillator Networks Coupled by BEOL Integrated ReRAM for Associative Memory Tasks
本文提出并实验验证了一种由 BEOL 集成 ReRAM 交叉阵列耦合的环形振荡器 ONN 硬件,可通过相位锁定完成联想记忆模式检索。
2025-03-18 cs.ET
Multi-Bit Read and Write Methodologies for Diode-STTRAM Crossbar Array
交叉开关阵列采用电阻式RAM(ReRAM)等新兴非易失性存储器技术,可提供高密度、快速存取速度和低功耗。然而,交叉开关的带宽被限制为每次访问的单比特读/写,以避免选择不期望的比特。提出了一种在二极管-STTRAM(自旋转移力矩RAM)交叉阵列中进行多位读写的技术。仿真表明,可以调整半选中单元的偏置电压,以提高读取期间的感测裕度,从而减少通过半选中单元的潜路径。在写操作中,半选中单元用脉冲电压源偏置,该脉冲电压源增加这些单元的写等待时间,并且使得能够写入2位,同时保持半选中位不受干扰。模拟结果表明,将半选中单元偏置700 mV可以实现多达512位的读取,同时维持512 × 512交叉开关,保持2.04年。2位写入需要50 mV的脉冲以优化能量。
2016-06-01 cs.ET
Sensitivity-Aware Mixed-Precision Quantization for ReRAM-based Computing-in-Memory
National Cheng Kung University(国立成功大学);National Taiwan University(国立台湾大学)
本研究提出一种结合敏感性分析与混合精度策略的量化方法,提升ReRAM存内计算的效率与精度,实验证明在70%压缩下达到86.33%的精度,同时降低40%的功耗。
2025-12-22 cs.AR cs.ET
The Reliability Issue in ReRam-based CIM Architecture for SNN: A Survey
本综述聚焦脉冲神经网络与基于ReRAM的存算一体架构交叉领域,梳理二者基本原理,分析器件级偏差等带来的可靠性问题,并总结现有缓解方案。
2024-11-30 cs.ET cs.NE
Comparative Evaluation of Memory Technologies for Synaptic Crossbar Arrays- Part 2: Design Knobs and DNN Accuracy Trends
Purdue University(普渡大学)
本文分析了不同内存技术在7nm节点下的性能,探讨了设计变量对DNN精度的影响,并发现FeFET在大数组中表现最佳,ReRAM在高位切片和复杂数据集上与FeFET性能相当。
2024-08-11 cs.ET cs.LG
FPSA: A Full System Stack Solution for Reconfigurable ReRAM-based NN Accelerator Architecture
由于\textit{processing-in-memory}在基于ReRAM交叉开关的处理元件(PE)内的独特能力,具有新兴ReRAM(电阻式随机存取存储器)技术的神经网络(NN)加速器已经被研究为解决\textit{memory wall}挑战的有前景的解决方案之一。然而,由于PE之间巨大的通信需求和外围电路的开销,ReRAM的高效率和高密度优势尚未得到充分利用。在本文中,我们提出了一个完整的系统堆栈解决方案,由一个可重构的架构设计,现场可编程突触阵列(FPSA)和它的软件系统,包括神经合成器,时空映射器,布局和路由。我们高度利用软件系统,使硬件设计紧凑和高效。为了满足高性能的通信需求,我们优化它与可重构的布线结构和布局和布线工具。为了提高计算密度,我们大大简化了PE电路与尖峰模式,然后采用神经合成器,使高密度的计算资源,以支持不同种类的神经网络操作。此外,我们在硬件中提供尖峰存储块(SMB)和可配置逻辑块(CLB),并利用时间到空间映射器来利用它们来平衡NN的存储和计算需求。由于端到端的软件系统,我们可以有效地将现有的深度神经网络部署到FPSA。评估表明,与最先进的基于ReRAM的NN加速器之一PRIME相比,FPSA的计算密度提高了31倍;对于代表性的NN,其推理性能可以实现高达1000倍的加速比。
2019-01-28 cs.ET cs.NE
Comparative Evaluation of Memory Technologies for Synaptic Crossbar Arrays -- Part I: Robustness-driven Device-Circuit Co-Design and System Implications
针对突触交叉阵列存内计算的器件选型问题,本文对四种存储技术开展鲁棒性导向的器件-电路协同优化与对比评估,明确了FeFET技术在DNN推理精度与工艺偏差耐受方面的优势。
2024-08-13 cs.ET
A Physical Unclonable Function with Redox-based Nanoionic Resistive Memory
一组独特的特性被封装在新兴的基于非易失性还原-氧化(氧化还原)的阻变存储器(ReRAM)中,例如其潜在的随机切换过程以及其固有的高度非线性电流-电压特性,除了已知的纳米制造工艺变化之外,这使得它们成为下一代低成本、低功耗、微小且安全的物理不可克隆功能(PUF)的有希望的候选者。本文利用了这种不利的ReRAM功能,使用新颖的架构和外围电路的组合。我们提出了一种物理单向函数,非线性电阻物理不可克隆函数(nrPUF),考虑到其性能特点,可能适用于各种网络物理安全应用。我们通过实验验证了基于价态变化机制(VCM)的ReRAM在纳米制造的交叉杆阵列中跨多个管芯和运行的性能。除了大量的缓冲响应对(CRP),使用实验和模拟相结合,我们提出的PUF显示了98.67%的可靠性,49.85%的唯一性,49.86%的扩散性,47.28%的均匀性,和47.48%的位混叠。
2016-11-15 cond-mat.other cs.ET
XBTorch: A Unified Framework for Modeling and Co-Design of Crossbar-Based Deep Learning Accelerators
George Washington University(乔治·华盛顿大学);DEVCOM Army Research Laboratory(陆军研究实验室);Western Digital Research(西部数字研究)
XBTorch是一种基于新兴记忆技术的深度学习加速器建模与协同设计的统一框架,提供高效的仿真工具和跨层协同设计能力。
2026-01-11 cs.AI cs.ET cs.LG
Scaling Limits of Memristor-Based Routers for Asynchronous Neuromorphic Systems
本研究探讨忆阻交叉阵列作为异步SNN硬件中路由通道的扩展极限,通过理论建模、22nm FDSOI电路仿真及4K-ReRAM芯片实验,确定了IR压降和漏电问题导致的功能界限,为多核异步神经形态系统的忆阻路由器设计提供指导。
2023-12-21 cs.ET cs.NE
RxNN: A Framework for Evaluating Deep Neural Networks on Resistive Crossbars
Purdue University(普渡大学);Penn State University(宾夕法尼亚州立大学)
利用非易失性存储器设备设计的电阻式交叉开关已经成为深度神经网络(DNN)硬件的有前途的构建块,这是由于它们能够压缩和有效地实现向量矩阵乘法(VMM),即DNN中的主要计算内核。然而,电阻交叉开关面临的一个关键挑战是,它们受到一系列器件和电路级非理想性的影响,例如互连寄生效应、外围电路、潜路径和工艺变化。这些非理想性会导致VMM中的错误,最终降低DNN的准确性。因此,研究crossbar非理想性对大规模DNN准确性的影响至关重要。然而,这是具有挑战性的,因为现有的器件和电路模型太慢,无法用于应用级评估。我们提出了RxNN,这是一个快速准确的仿真框架,用于评估电阻交叉系统上的大规模DNN。RxNN将每个DNN层中涉及的计算拆分并映射到crossbar操作中,并使用快速Crossbar模型(FCM)对其进行评估,该模型可以准确捕获由于crossbar非理想性而产生的错误,同时比电路模拟快四到五个数量级。FCM使用三个阶段对基于交叉杆的VMM操作进行建模-输入和输出外围电路(DAC和ADC)的非线性模型,以及核心交叉杆阵列的等效非理想电导矩阵。我们通过扩展Caffe机器学习框架来实现RxNN,并使用它来评估为ImageNet Challenge开发的一套六个大规模DNN。我们的实验表明,电阻交叉非理想性会导致这些大规模DNN的精度显著下降(9.6%-32%)。据我们所知,这项工作是第一次定…
2020-06-02 cs.CV cs.ET cs.LG
Nanoscale memristive devices: Threats and solutions
本文聚焦ReRAM和STT-RAM两种忆阻存储技术,分析其读写错误和软错误等可靠性威胁,并综述现有解决方案,最后探讨忆阻器作为计算单元在交叉阵列中实现逻辑与算术运算的潜力。
2026-06-18 cs.AR cs.ET
OTTER - Two Transistor - One RRAM Architecture for Reliable In-Memory-Computing in 28 nm CMOS Technology
Forschungszentrum Jülich GmbH(于利希研究中心);RWTH Aachen University(亚琛工业大学)
提出28nm CMOS与TaOx RRAM集成的2T1R架构,通过并联LD/HD晶体管实现可靠存内计算,支持多级电导调谐及aCAM设计,并在15x15阵列上验证了MAC操作。
2026-09-09 cs.ET