使用 Radix-X 并行连接忆阻器交叉阵列的自适应精度 CNN 加速器
信号处理
2019-06-25 v1 硬件体系结构
图像与视频处理
摘要
在日益边缘驱动的世界中，神经处理器的开发正减少我们对远程服务器处理深度学习操作的依赖。通过采用存内处理、并行化技术与算法-硬件协同设计，忆阻器交叉阵列已知可高效计算大规模矩阵-向量乘法。然而，最先进的负权重实现需要重复的列线，而使用单比特忆阻器的高精度权重进一步分散了计算。这些限制显著增大芯片面积与电阻损耗，导致功耗增加与精度下降。本文中，我们通过改变每个交叉点处忆阻器的数量开发了一种自适应精度方法。我们还提出了一种设计用于在我们交叉阵列上实现的权重映射算法。这一新颖的算法-硬件方案被称为 radix-X 卷积神经网络交叉阵列，并展示了如何使用单条列线而非加倍额外列数来高效表示负权重。利用仿真与实验结果，我们验证了 radix-5 CNN 阵列在 CIFAR-10 数据集上达到 90.5% 的验证精度，较二值化神经网络提升 4.5%，同时通过去除表示有符号权重所需的重复列，较传统阵列减少 46% 的交叉阵列面积。
引用
@article{arxiv.1906.09395,
title = {Adaptive Precision CNN Accelerator Using Radix-X Parallel Connected Memristor Crossbars},
author = {Jaeheum Lee and Jason K. Eshraghian and Kyoungrok Cho and Kamran Eshraghian},
journal= {arXiv preprint arXiv:1906.09395},
year = {2019}
}
备注
12 pages, 17 figures