PhotoFourier: A Photonic Joint Transform Correlator-Based Neural Network Accelerator
University of California, Los Angeles(加州大学洛杉矶分校);The George Washington University(乔治华盛顿大学)
在过去的几年里,人们做了大量的工作来解决低延迟和高吞吐量卷积神经网络推理的挑战。集成光子学具有显著加速神经网络的潜力,因为它具有低延迟的特性。结合联合变换相关器(JTC)的概念,计算上昂贵的卷积函数可以立即计算(光的飞行时间),几乎没有成本。这种“自由”卷积计算提供了所提出的基于PhotoFourier JTC的CNN加速器的理论基础。PhotoFourier解决了傅立叶域中片上光子计算带来的无数挑战,包括1D透镜和高成本光电转换。与最先进的光子神经网络加速器相比,所提出的光傅立叶加速器实现了超过28倍的能量延迟产品。
2022-11-10 cs.AR cs.ET cs.LG
CrossLight: A Cross-Layer Optimized Silicon Photonic Neural Network Accelerator
Colorado State University(科罗拉多州立大学)
领域特定的神经网络加速器近年来受到越来越多的关注,因为与CPU和GPU相比,它们提高了能效和推理性能。在本文中,我们提出了一种新的跨层优化的神经网络加速器称为CrossLight,利用硅光子学。CrossLight包括器件级工程,以适应工艺变化和热串扰,电路级调整增强,以减少推理延迟,以及架构级优化,以实现更高的分辨率,更好的能效和更高的吞吐量。平均而言,与最先进的光子深度学习加速器相比,CrossLight在16位分辨率下的每比特能耗低9.5倍,每瓦性能高15.9倍。
2021-02-13 cs.AR cs.ET cs.LG
SONIC: A Sparse Neural Network Inference Accelerator with Silicon Photonics for Energy-Efficient Deep Learning
Colorado State University(科罗拉多州立大学)
稀疏神经网络可以极大地促进神经网络在资源受限平台上的部署,因为它们提供紧凑的模型大小,同时保持推理准确性。由于参数矩阵的稀疏性,稀疏神经网络原则上可以在加速器架构中被利用,以改善能量效率和延迟。然而,为了在实践中实现这些改进,需要探索稀疏感知的软硬件协同设计。在本文中,我们提出了一种新的硅光子学为基础的稀疏神经网络推理加速器称为SONIC。我们的实验分析表明,与最先进的稀疏电子神经网络加速器相比,SONIC可以实现高达5.8倍的每瓦性能和8.4倍的每比特能量;与最知名的光子神经网络加速器相比,可以实现高达13.8倍的每瓦性能和27.6倍的每比特能量。
2021-09-09 cs.AR cs.LG cs.NE
Integrated Photonic AI Accelerators under Hardware Security Attacks: Impacts and Countermeasures
本文研究集成光子AI加速器在硬件安全攻击下的漏洞,分析攻击对功率、相位分布及精度的影响,并提出相应的防御对策。
2023-09-05 cs.AR cs.CR cs.ET
Lookup Table-based Multiplication-free All-digital DNN Accelerator Featuring Self-Synchronous Pipeline Accumulation
提出一种基于MADDNESS的全数字DNN加速器,采用自同步流水线累加,实现紧凑、节能且PVT不敏感的计算,能效和面积效率分别提升2.5倍和5倍。
2025-06-20 cs.AR
Towards Topology-Aware Very Large-Scale Photonic AI Accelerators
University of Florida(佛罗里达大学)
本文提出一种基于模块化扩展架构的光子加速器,通过分析光子硬件的缩放限制,发现拓扑结构是性能瓶颈,提出对称网格规则以提升利用效率和降低内存访问。
2026-04-16 cs.AR cs.NE physics.optics
A Time-Encoded Analog Photonic Interposer for Energy-EfficientIntegration of Analog Vision Sensors and Analog Accelerators
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Case Western Reserve University(凯斯西储大学)
本研究提出时间编码模拟光子中介层,通过ATC转换模拟信号为时间间隔传输,实现模拟视觉传感器与加速器的高能效集成,在VWW数据集上EDP提升2.04倍,泛化性能优异。
2026-09-04 cs.AR
TCN-CUTIE: A 1036 TOp/s/W, 2.72 uJ/Inference, 12.2 mW All-Digital Ternary Accelerator in 22 nm FDX Technology
Tiny机器学习(TinyML)应用会施加uJ/Inference约束,最大功耗为数十mW。以合理的精度水平满足这些要求是极具挑战性的。这项工作通过在基于RISC-V的片上系统(SoC)中实现灵活的全数字三值神经网络(TNN)加速器来应对挑战。除了支持三元卷积神经网络,我们引入扩展的加速器设计,使时间膨胀的时间卷积神经网络(TCN)的处理。该设计实现了5.5 uJ/推理,12.2 mW,8000推理/秒在0.5 V的动态视觉传感器(DVS)为基础的TCN,和2.72 uJ/推理,12.2 mW,3200推理/秒在0.5 V的非平凡9层,每层96通道卷积网络与CIFAR-10的准确度为86%,在94.5%的准确度和2.52 uJ/推理,12.2 mW,3200推理/秒。峰值能效为1036 TOp/s/W,比最先进的硅验证TinyML量化加速器高出1.67倍,同时实现了具有竞争力的精度。
2022-12-01 cs.AR
Machine Learning Accelerators in 2.5D Chiplet Platforms with Silicon Photonics
Colorado State University(科罗拉多州立大学)
特定领域的机器学习(ML)加速器,如谷歌的TPU和苹果的神经引擎,现在主导着CPU和GPU的节能ML处理。然而,由于单片处理芯片的有限计算密度和对缓慢金属互连的依赖,电子加速器的发展正面临根本性的限制。在本文中,我们提出了如何将光学计算和通信集成到2.5D小芯片平台中的愿景,以推动一类全新的可持续且可扩展的机器学习硬件加速器。我们描述了光学器件、电路和架构的跨层设计和制造以及硬件/软件协同设计如何帮助设计高效的基于光子学的2.5D小芯片平台,以加速新兴的机器学习工作负载。
2023-01-28 cs.AI cs.AR cs.LG
RecLight: A Recurrent Neural Network Accelerator with Integrated Silicon Photonics
Colorado State University(科罗拉多州立大学)
递归神经网络(RNN)用于学习数据序列中的依赖关系的应用,例如语音识别、人类活动识别和异常检测。近年来,较新的RNN变体,如GRU和LSTM,已被用于实现这些应用程序。由于许多这些应用程序都是在实时场景中使用的,因此加速RNN/LSTM/GRU推理至关重要。在本文中,我们提出了一种新的光子硬件加速器RecLight,用于加速简单的RNN,GRU和LSTM。仿真结果表明,与最先进的技术相比,RecLight的每比特能量降低了37倍,吞吐量提高了10%。
2022-08-31 cs.AR cs.LG cs.NE
StreamDCIM: A Tile-based Streaming Digital CIM Accelerator with Mixed-stationary Cross-forwarding Dataflow for Multimodal Transformer
本文提出StreamDCIM加速器,通过可重构CIM宏微架构、混合驻留交叉转发数据流和细粒度计算重写流水线,解决现有多模态Transformer加速器灵活性不足的问题,实现显著性能提升。
2025-02-09 cs.AR
Silicon Photonic 2.5D Interposer Networks for Overcoming Communication Bottlenecks in Scale-out Machine Learning Hardware Accelerators
Colorado State University(科罗拉多州立大学)
针对单片ML加速器无法满足能效与吞吐量需求、2.5D电子加速器受金属互连限制的问题,本文提出在2.5D平台中利用光通信与光计算,构建高能效高吞吐量的2.5D ML加速器架构。
2024-03-07 cs.AR cs.LG eess.SP
Lightening-Transformer: A Dynamically-operated Optically-interconnected Photonic Transformer Accelerator
针对Transformer动态全范围张量乘法低效问题,提出首个光子加速器Lightening-Transformer,采用动态光子张量核心DPTC与光子互连,实现>2.6倍能耗和>12倍延迟降低,精度与数字相当。
2023-12-31 cs.AR cs.ET physics.optics
Architecture-Level Modeling of Photonic Deep Neural Network Accelerators
针对光子DNN加速器全系统能耗评估缺乏工具的问题,提出利用CiM建模工具实现光子系统架构级建模的方法,开发开源模型验证了跨域转换与DRAM的高能耗占比,并通过优化将能效提升最高3倍。
2024-05-14 cs.AR cs.ET
FlexSpIM: An Event-Based Digital Compute-In-Memory Accelerator with Flexible Operand Resolution and Layer-Wise Hybrid Stationarity
Delft University of Technology(代尔夫特理工大学);KU Leuven(荷语鲁汶大学)
FlexSpIM是一种数字存内计算加速器,通过支持任意操作数分辨率和层间混合驻留数据流,在IBM DVS手势数据集上实现95.8%准确率,并降低45%能耗和52%延迟。
2026-09-09 cs.AR
BPLight-CNN: A Photonics-based Backpropagation Accelerator for Deep Learning
UC San Diego(加州大学圣迭戈分校);Micron Technology(美光科技);Colorado State University(科罗拉多州立大学);Texas A&M University(得克萨斯A&M大学)
训练深度学习网络涉及在使用反向传播算法(BP)的同时跨深度网络的各个层进行连续权重更新。这导致训练期间的昂贵计算开销。因此,当今大多数深度学习加速器都采用预先训练的权重,并且只专注于改进推理阶段的设计。最近的趋势是通过整合训练模块来构建一个完整的深度学习加速器。这种努力需要一个超快的芯片架构来执行BP算法。在这篇文章中,我们提出了一种新的基于光子学的反向传播加速器,用于高性能深度学习训练。我们提出了一个卷积神经网络的设计,BPLight-CNN,它采用了硅光子为基础的反向传播加速器。BPLight-CNN是首款基于光子和忆阻器的CNN架构,用于端到端训练和预测。我们使用光子CAD框架(IPKISS)在包括LeNet和VGG-Net在内的深度学习基准模型上评估BPLight-CNN。与最先进的设计相比,所提出的设计实现了(i)在训练期间至少34倍的加速,34倍的计算效率提高和38.5倍的节能;以及(ii)在推理期间29倍的加速,31倍的计算效率提高和38.7倍的节能。所有这些比较都是在16位分辨率下完成的;与最先进的技术相比,BPLight-CNN实现了这些改进,但精度降低了约6%。
2021-02-19 cs.AR cs.ET cs.LG
NEUROPULS: NEUROmorphic energy-efficient secure accelerators based on Phase change materials aUgmented siLicon photonicS
NEUROPULS项目利用增强硅光子技术开发安全节能的RISC-V接口神经形态加速器,构建三个平台,面向GNSS抗干扰、自动驾驶和边缘异常检测等边缘计算用例,并关注可靠性与安全性。
2023-05-04 cs.AR eess.SP
SCATTER: Algorithm-Circuit Co-Sparse Photonic Accelerator with Thermal-Tolerant, Power-Efficient In-situ Light Redistribution
Arizona State University(亚利桑那州立大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文提出SCATTER算法-电路联合稀疏光子加速器,结合原位光再分配、功率门控与串扰感知稀疏训练,在保持精度的同时实现511倍面积缩减和12.4倍功耗节省。
2024-07-07 cs.AR cs.ET cs.LG
Scaling Analog Photonic Accelerators for Byte-Size, Integer General Matrix Multiply (GEMM) Kernels
本文提出可扩展光子GEMM加速器SPOGA,通过零差光信号模拟求和与换能中位置加权等技术,突破4位操作数限制,支持字节大小整数GEMM内核,在吞吐量、能效和面积效率上显著超越现有光子方案。
2024-07-08 cs.AR cs.ET cs.PF
HCiM: ADC-Less Hybrid Analog-Digital Compute in Memory Accelerator for Deep Learning Workloads
针对模拟CiM加速器中ADC带来的高功耗与面积开销问题,提出无ADC的混合模数加速器HCiM,结合模拟交叉阵列与数字CiM阵列处理缩放因子,实现最高28%的能耗降低。
2024-03-20 cs.AR
Photonic Reconfigurable Accelerators for Efficient Inference of CNNs with Mixed-Sized Tensors
基于光子微谐振器(MRR)的硬件加速器已被证明可以为处理深度卷积神经网络(CNN)提供破坏性的加速和能效改进。然而,以前的基于MRR的CNN加速器无法为具有混合大小张量的CNN提供有效的适应性。这样的CNN的一个示例是深度可分离的CNN。在这种不灵活的加速器上使用混合大小的张量执行CNN的推理通常会导致硬件利用率低,这会降低加速器可实现的性能和能效。在本文中,我们提出了一种新的方式,在基于MRR的CNN加速器中引入可重构性,以实现加速器硬件组件和使用硬件组件处理的CNN张量之间的大小兼容性的动态最大化。基于加速器中所用硬件组件的布局和相对位置,我们将来自先前工作的最先进的基于MRR的CNN加速器分为两类。然后,我们使用我们的方法在这两个类的加速器中引入可重构性,从而提高它们的并行性,有效映射不同大小,速度和整体能源效率的张量的灵活性。我们评估我们的可重构加速器对三个以前的作品面积比例的前景(所有加速器的硬件面积相等)。我们对四种现代CNN的推理进行的评估表明,与先前工作中基于MRR的加速器相比,我们设计的可重构CNN加速器在每秒帧数(FPS)和FPS/W方面的改进高达1.8倍。
2022-07-12 cs.AI cs.AR cs.CV
Accelerating Diffusion Models for Generative AI Applications with Silicon Photonics
Colorado State University(科罗拉多州立大学)
本文提出一种基于硅光子学的扩散模型加速器,显著提升能效和吞吐量,用于生成式人工智能应用。
2026-03-08 cs.AR cs.LG
PolyCIM: Improving Data Reuse in Digital CIM Accelerators with Polyhedral-Based Compilation
Beihang University(北京航空航天大学)
针对数字CIM加速器中DNN映射导致的阵列利用不足问题,提出基于多面体的编译框架PolyCIM,通过仿射变换暴露非轴向数据复用超平面,实现最高4倍宏利用率和3.2倍加速。
2026-09-29 cs.AR
Digital Neuron: A Hardware Inference Accelerator for Convolutional Deep Neural Networks
我们提出了一个数字神经元,这是一个硬件推理加速器,用于嵌入式系统的卷积深度神经网络,具有整数输入和整数权重。该算法的主要思想是通过桶形移位器和并行加法器对输入特征向量和权值向量进行点积运算,从而减小电路面积和功耗。减少的面积允许更多的计算引擎被安装在推理加速器上,从而导致与现有的HW加速器相比的高吞吐量。我们验证了与32位浮点计算相比,整数与3个部分子整数的乘法不会导致推理精度的显著损失。所提出的数字神经元可以在一个时钟内执行800次MAC操作,用于卷积和全连接计算。本文提出了一种方案,重用的输入,重量,和输出的所有层,以减少DRAM访问。此外,本文提出了一种可配置的架构,可以提供卷积神经网络的自适应特性的推理。以瓦特为单位的数字神经元的吞吐量达到754.7 GMACs/W。
2019-02-07 cs.AR eess.SP
Neuro-Photonix: Enabling Near-Sensor Neuro-Symbolic AI Computing on Silicon Photonics Substrate
本研究提出首款面向视觉应用的近传感器神经符号AI计算加速器Neuro-Photonix,基于硅光子衬底实现,通过光子器件、低成本ADC及超维向量支持,在保持精度的同时大幅降低IoT场景的计算功耗与延迟。
2024-12-13 cs.AR
TRON: Transformer Neural Network Acceleration with Non-Coherent Silicon Photonics
Colorado State University(科罗拉多州立大学)
Transformer神经网络正迅速集成到自然语言处理(NLP)和计算机视觉的最先进解决方案中。然而,这些模型的复杂结构为加速其在传统电子平台上的执行带来了挑战。我们提出了第一个硅光子硬件神经网络加速器TRON,用于基于变压器的模型,如BERT和视觉Transformer。我们的分析表明,与最先进的Transformer加速器相比,TRON的吞吐量至少提高了14倍,能效提高了8倍。
2023-03-22 cs.AR cs.LG
Accelerating Neural Networks for Large Language Models and Graph Processing with Silicon Photonics
Colorado State University(科罗拉多州立大学)
本文提出基于硅光子技术的新型硬件加速器,用于加速大语言模型中的Transformer神经网络和图神经网络,实验表明其相比最先进电子加速器实现至少10.2倍吞吐量提升和3.8倍能效提升。
2024-01-12 cs.AR cs.LG
PhotoGAN: Generative Adversarial Neural Network Acceleration with Silicon Photonics
Colorado State University(科罗拉多州立大学)
针对GAN在传统电子加速器上因转置卷积和实例归一化导致的高能耗与低效问题,提出首个硅光子加速器PhotoGAN,利用高吞吐量和稀疏优化,实现至少4.4倍GOPS提升和2.18倍EPB降低。
2025-01-23 cs.AR cs.LG
PHAT: PHotonic Accelerator for TFHE
Boston University(波士顿大学);University of Maryland, College Park(马里兰大学帕克分校)
PHAT是一种利用光学寻址相变存储器的电光加速器,通过优化的FFT单元、旋转因子固定数据流和调度机制,在真实TFHE工作负载上相比最先进ASIC实现2.14至5.10倍加速。
2026-09-11 cs.AR cs.CR cs.ET
LiteCON: An All-Photonic Neuromorphic Accelerator for Energy-efficient Deep Learning (Preprint)
University of California, San Diego(加州大学圣地亚哥分校)
深度学习在当今的数据密集型时代非常普遍。特别地,卷积神经网络(CNN)正被广泛用于各种领域以获得优异的精度。然而,在传统的CPU和GPU上计算深度CNN会带来一些性能和能源陷阱。基于ASIC、FPGA和连续存储器器件的几种新方法最近已经被证明具有很好的效果。它们中的大多数只针对深度学习的推理(测试)阶段。设计一个既能训练又能推理的成熟的深度学习加速器的尝试非常有限。这是由于训练阶段的高度计算和内存密集型。在本文中,我们提出了LiteCON,一种新型的模拟光子学CNN加速器。LiteCON使用基于硅微磁盘的卷积、基于忆阻器的存储器和密集波分复用技术来实现节能和超快的深度学习。我们使用商业CAD框架(IPKISS)在包括LeNet和VGG-Net在内的深度学习基准模型上评估LiteCON。与最先进的技术相比,LiteCON将CNN的吞吐量、能效和计算效率分别提高了32倍、37倍和5倍,而精度下降微不足道。
2022-06-28 cs.AR cs.ET cs.LG
GHOST: A Graph Neural Network Accelerator using Silicon Photonics
Colorado State University(科罗拉多州立大学)
本文提出首个面向图神经网络的硅光子硬件加速器GHOST,在光域分别实现GNN三个主要阶段,仿真显示其吞吐量和能效显著优于GPU、TPU及现有GNN加速器。
2023-07-04 cs.AI cs.AR cs.ET
Mirage: An RNS-Based Photonic Accelerator for DNN Training
Boston University(波士顿大学);Lightmatter(莱特马特公司)
本文提出基于余数数制 RNS 的光子加速器 Mirage,通过模拟域模运算微架构与数据流,在保证 FP32 级训练精度的同时显著提升速度、能效并降低功耗。
2024-05-24 cs.AI cs.AR cs.LG
Opto-ViT-v2: Noise-Resilient On-Chip Fine-Tuning for Photonic Near-Sensor Vision Transformer Accelerators
Case Western Reserve University(凯斯西储大学);New Jersey Institute of Technology(新泽西理工学院);Colorado State University(科罗拉多州立大学)
研究针对硅光子加速器支持片上微调的挑战,提出Opto-ViT-v2框架。采用张量低秩分解和梯度累积稀疏分类器,开发噪声模型。实验表明其在光子噪声下能恢复精度,实现高功率效率,达成片上域适应。
2026-07-23 cs.AI cs.AR
A Low-Dissipation and Scalable GEMM Accelerator with Silicon Nitride Photonics
针对基于SOI的MRR光子GEMM加速器散射损耗高和双光子吸收导致性能受限的问题,提出基于氮化硅的SiNPhAR架构,显著提升了并行度、吞吐量和能效。
2024-02-16 cs.AR cs.ET cs.PF
A complete discussion on fully reconfigurable, digital, scalable, graph and sparsity-aware near-memory accelerator for graph neural networks
The University of Texas At Austin(德克萨斯大学奥斯汀分校)
提出一种无DAC/ADC的可扩展近内存计算架构NEM-GNN,通过早期计算终止、预计算和图与稀疏感知的聚合机制,显著提升图神经网络的性能、能效和计算密度。
2026-06-20 cs.AR
RCW-CIM: A Digital CIM-based LLM Accelerator with Read-Compute/Write
National Yang Ming Chiao Tung University(国立阳明交通大学);Industrial Technology Research Institute(工业技术研究院)
本文提出RCW-CIM架构,通过减少权重更新延迟和非线性操作融合,实现LLM加速,使Llama2-7B模型解码延迟降低21.59%,并提升能效。
2026-04-30 cs.AR
Sustainable Transformer Neural Network Acceleration with Stochastic Photonic Computing
Colorado State University(科罗拉多州立大学);University of Kentucky(肯塔基大学)
本文提出ASTRA,首个利用随机计算的硅光加速器,通过光学随机乘法器和同频积累实现高效动态张量计算,实验显示在速度和能耗方面优于现有方案,展现高效可扩展的Transformer推理潜力。
2026-04-10 cs.AR cs.LG
The Data Conversion Bottleneck in Analog Computing Accelerators
本文指出模拟计算加速器因数据转换产生性能瓶颈,通过案例研究评估自建光学傅里叶变换与卷积加速器,发现其仅在纯傅里叶变换和卷积任务中显著加速。
2023-12-30 cs.AR physics.optics
An Electro-Photonic System for Accelerating Deep Neural Networks
本文提出光电加速器ADEPT,结合光子GEMM单元、电子ASIC和SRAM,系统级评估显示其每瓦特吞吐量较传统脉动阵列平均提升5.73倍,并优于现有电子与光子加速器。
2022-12-16 cs.AR cs.ET
A Survey on Silicon Photonics for Deep Learning
深度学习在解决计算机视觉、自然语言处理和通用模式识别等领域的一些非常困难的问题方面取得了前所未有的成功。这些成就是数十年来对更好的训练技术和更深层次的神经网络模型进行研究的结果,也是用于训练和执行深度神经网络模型的硬件平台的改进。近年来,许多用于深度学习的专用集成电路(ASIC)硬件加速器由于其比传统CPU和GPU架构更高的性能和能效而引起了人们的兴趣。然而,这些加速器受到基本瓶颈的限制,这是由于1)CMOS缩放速度的放缓,这限制了新兴电子处理器的计算和每瓦性能能力,以及2)使用金属互连进行数据移动,这不能很好地扩展,并且是几乎所有当代处理器中带宽,延迟和能源效率低下的主要原因。硅光子学已经成为一种很有前途的CMOS兼容替代品,可以实现新一代的深度学习加速器,可以使用光进行通信和计算。本文概述了硅光子学加速深度学习的前景,并以自下而上的方式涵盖了设计抽象的发展,以传达硅光子学范式在深度学习加速背景下的能力和局限性。
2021-02-26 cs.AR cs.ET
Towards Efficient Hyperdimensional Computing Using Photonics
Boston University(波士顿大学);University of California, Irvine(加利福尼亚大学欧文分校);Georgia Institute of Technology(佐治亚理工学院);SRI International(SRI国际);Lightmatter(莱特马特公司)
该研究提出首款面向超维计算训练与推理的电光加速器PhotoHDC,验证了光子计算与超维计算的强互补性,其能量延迟积相较现有电光DNN加速器和存内计算加速器分别低2-5个、4个数量级。
2024-10-04 cs.AR cs.ET cs.LG
Lightator: An Optical Near-Sensor Accelerator with Compressive Acquisition Enabling Versatile Image Processing
本研究提出光学近传感器加速器Lightator,通过创新压缩采集与细粒度卷积实现边缘低功耗图像处理,仿真显示其能效达84.4千帧每秒每瓦,功耗较现有光子加速器和GPU分别低约24倍、73倍。
2024-03-08 cs.AR eess.SP
A 28nm 27,648-Spin Multichip Digital Ising Accelerator with Pegasus Connectivity
Carnegie Mellon University(卡内基梅隆大学);University of Michigan(密歇根大学);Stanford University(斯坦福大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
提出28nm四芯片数字伊辛加速器,含27,648自旋,通过时分复用和调度传输达41.5G更新/秒,1.2pJ/更新,Pegasus连接和10位系数提升精度,3.3微秒求解27,069节点MaxCut。
2026-09-11 cs.AR cs.ET
DAISM: Digital Approximate In-SRAM Multiplier-based Accelerator for DNN Training and Inference
Keio University(庆应义塾大学);RIKEN Center for Computational Science(理化学研究所计算科学研究中心)
本文提出DAISM架构,通过在传统SRAM中实现数字近似乘法器并利用多字线激活进行位并行计算,显著提升DNN训练与推理的面积效率。
2024-01-18 cs.AR cs.LG
SparseDPD: A Sparse Neural Network-based Digital Predistortion FPGA Accelerator for RF Power Amplifier Linearization
Delft University of Technology(代尔夫特理工大学)
本文提出SparseDPD,一种基于稀疏神经网络的FPGA加速器,通过无结构剪枝优化,实现高效实时无线通信中的射频功率放大器线性化。
2025-06-19 cs.AR eess.SP
An Event-Based Digital Compute-In-Memory Accelerator with Flexible Operand Resolution and Layer-Wise Weight/Output Stationarity
Delft University of Technology(代尔夫特理工大学);KU Leuven(鲁汶大学);Prophesee(Prophesee公司)
针对现有脉冲神经网络存内计算加速器灵活性不足的问题,提出支持任意操作数分辨率、采用统一存储与混合驻存数据流的数字CIM宏单元,能效提升显著且分类精度达当前最优。
2024-10-30 cs.AI cs.AR
An Analog and Digital Hybrid Attention Accelerator for Transformers with Charge-based In-memory Computing
University of California, San Diego(加利福尼亚大学圣迭戈分校)
针对Transformer自注意力计算复杂度高、内存访问频繁的问题,提出一款65nm工艺的模数混合注意力加速器,通过模拟存内计算核心实时剪枝75%低得分令牌、数字核心处理剩余令牌保证精度,实现了高能效与高面积效率。
2024-09-20 cs.AR cs.LG
MDTransformer: A Hardware-Software Co-Design of Mode-Division Photonic Transformer Accelerator with Inverse-Designed Coherent Crossbar
New York University (NYU) Abu Dhabi(纽约大学阿布扎比分校)
研究针对光子变压器加速器因有源移相器组件导致的问题,提出MDTransformer软硬件协同设计。利用模分光学数据流等执行复杂矩阵运算,形成紧凑光子张量核。实验表明其在不同工作负载下相比现有技术有面积、功耗、能源节省及延迟相当等优势,为高性能节能变压器系统提供方案。
2026-07-29 cs.AI cs.AR cs.DC
Peregrino: A Full-Hardware Accelerator for the Complete Falcon Post-Quantum Digital Signature Scheme on Resource-Constrained Edge Devices
Universidad Politécnica de Madrid(马德里理工大学)
针对Falcon后量子签名在硬件实现的难题,提出Peregrino加速器,用HDL从零设计完整方案,以模拟浮点适配无FPU边缘设备,资源占用大幅低于HLS方案,性能提升显著。
2026-09-28 cs.AR cs.CR
Adaptive Robotic Arm Control with a Spiking Recurrent Neural Network on a Digital Accelerator
University of Sevilla(塞维利亚大学);Politecnico di Torino(都灵理工大学);Graz University of Technology(格拉茨工业大学);University of Zurich(苏黎世大学);Delft University of Technology(代尔夫特理工大学)
本文将开源数字ReckOn芯片适配至Xilinx MPSoC平台,提出配套Python框架,并在机械臂控制场景中验证其有效性,在保持模拟精度的同时实现了每秒处理3.8M个事件的峰值性能。
2024-06-02 cs.AI cs.AR
A Comparative Analysis of Microrings Based Incoherent Photonic GEMM Accelerators
University of Kentucky(肯塔基大学)
本文分析了基于微环谐振器的光子GEMM加速器中四种信号操纵顺序(MASW、ASMW和SMWA)对性能的影响,发现SMWA组织在吞吐量、能效和面积-能效上均显著优于其他方案。
2024-02-16 cs.AR cs.ET cs.LG
SpiDR: A Reconfigurable Digital Compute-in-Memory Spiking Neural Network Accelerator for Event-based Perception
针对现有SNN加速器适应性差、Vmem处理低效及稀疏优化不足的问题,提出可重构数字存内计算加速器SpiDR,支持多精度与零跳过,在65nm工艺下实现5 TOPS/W能效。
2024-11-05 cs.AR cs.LG cs.NE
An All-digital 8.6-nJ/Frame 65-nm Tsetlin Machine Image Classification Accelerator
The University of Agder(阿格德大学);Centre for Artificial Intelligence Research (CAIR)(人工智能研究中心);School of Engineering(工程学院);Newcastle University(新castle大学)
提出基于 Tsetlin machine 的全数字图像分类加速器芯片,采用 65nm CMOS 工艺,实现高能效与高准确率,匹配软件模型性能。
2025-07-15 cs.AR cs.LG
DPD-NeuralEngine: A 22-nm 6.6-TOPS/W/mm$^2$ Recurrent Neural Network Accelerator for Wideband Power Amplifier Digital Pre-Distortion
Department of Microelectronics, Delft University of Technology, The Netherlands(代尔夫特理工大学微电子系);Leiden Institute of Advanced Computer Science (LIACS), Leiden University, The Netherlands(莱顿大学先进计算机科学研究所)
本文提出基于GRU的DPD-NeuralEngine加速器,通过软硬件协同设计在22nm CMOS实现2GHz、250MSps处理,达到256.5 GOPS与1.32 TOPS/W,并首次实现6.6 TOPS/W/mm²的AI DPD ASIC。
2025-02-10 cs.AI cs.AR cs.CV