面向高精度深度神经网络的混合域计算存储架构
硬件体系结构
2025-02-12 v1
摘要
计算存储（CIM）在加速边缘深度神经网络（DNN）方面显示出巨大的潜力，尤其是在加速推理应用的量化模型方面。最近，越来越多的人关注开发基于浮点计算存储宏块，以提高高精度DNN模型（包括推理和训练任务）的准确性。然而，当前实现主要依赖数字方法，导致显著的功耗。本文引入一种混合域CIM架构，将模拟和数字CIM集成到单个存储单元中，以高效加速高精度DNN。具体而言，我们开发了面向该架构的面积高效电路和能效高的数字-模拟转换技术。综合的电路仿真结果表明，所提出的设计在基准测试中实现了显著的能效和无损精度。
引用
@article{arxiv.2502.07212,
title = {A Hybrid-Domain Floating-Point Compute-in-Memory Architecture for Efficient Acceleration of High-Precision Deep Neural Networks},
author = {Zhiqiang Yi and Yiwen Liang and Weidong Cao},
journal= {arXiv preprint arXiv:2502.07212},
year = {2025}
}
备注
6 pages, 5 figures, conference