基于忆阻器芯片的具有密集连接的高效时间与能量卷积神经网络
硬件体系结构
2025-08-19 v1
摘要
设计轻量级卷积神经网络（CNN）模型是边缘人工智能的一个活跃研究领域。存内计算（CIM）提供了一种新的计算范式，以缓解冯·诺依曼架构中因数据传输造成的时间和能量消耗。在众多竞争方案中，电阻式随机存取存储器（RRAM）因其可靠性和多位可编程性而成为一种有前景的CIM器件。然而，经典的轻量级设计（如深度可分离卷积）会导致RRAM交叉阵列利用率不足，这受限于其固有的密集权重到RRAM单元映射。为构建一个对RRAM友好且高效的CNN，我们评估了DenseNet的硬件成本，该网络在参数数量较少的情况下，相较于其他CNN保持了较高的精度。观察到DenseNet中线性增加的通道数导致交叉阵列利用率低，并造成较大的延迟和能量消耗，我们提出了一种方案，将前几层的特征图拼接起来，形成每个阶段最后一层的输入。实验表明，我们提出的模型比传统的ResNet和DenseNet消耗更少的时间和能量，同时在CIFAR和ImageNet数据集上取得了有竞争力的精度。
引用
@article{arxiv.2508.12251,
title = {A Time- and Energy-Efficient CNN with Dense Connections on Memristor-Based Chips},
author = {Wenyong Zhou and Yuan Ren and Jiajun Zhou and Tianshu Hou and Ngai Wong},
journal= {arXiv preprint arXiv:2508.12251},
year = {2025}
}
备注
4 pages, 7 figures