E-ReCON：一种能源与资源高效的可配置稀疏 nvCIM 宏用于常规与尖峰神经边缘推理
神经与进化计算
2026-05-21 v1 硬件体系结构
计算机视觉与模式识别
图像与视频处理
摘要
本工作提出 E-ReCON，一种基于紧凑 3T1R ReRAM 位存储存器的 16 Kb 能源与资源高效的数字计算存储存 (DCIM) 宏，用于边缘 AI 推理。该位存储存仅占据 0.85 um^2，支持可靠的基于 AND 的存储乘法，适用于常规卷积神经网络 (CNN) 和尖峰神经网络 (SNN) 工作负载。为减少累加开销，引入一种新颖的交错 10T/28T 加法树，相较于传统 28T RCA 设计，晶体管数量降低 37%，功耗降低 28%。在 65 nm CMOS 实现、1.2 V 工作电压下，该宏实现最低 0.48 ns 延迟、2.31-3.1 TOPS 吞吐量，能效最高可达 419 TOPS/W。在 LeNet-5、AlexNet 和 CNN-8 模型上，分别在 MNIST/A-Z、CIFAR10 和 SVHN 数据集上实现 97.81%、93.23% 和 96.51% 准确率。此外，40% 稀疏化可在几乎保留 99.8% 原准确率的同时，显著降低 MAC 操作和计算周期。针对 SNN 工作负载，该 AND 类型位存储存有效支持低开关活跃的尖峰权重乘法，其中 2A2W 配置在 VGG-8、VGG-16 和 ResNet-18 网络上，在 CIFAR-10、CIFAR-100 和 ImageNet-1K 数据集上实现接近 FP32 基线的准确率。与先前基于 ADC 的 ReRAM-CIM 设计相比，该架构在保持稳健工作性能（包括全范围 PVT 和 ReRAM 变异性）的同时，显著提升延迟和能效，提高近 30-40%。总体而言，E-ReCON 提供了一个可扩展、低延迟且能效高的 nvCIM 平台，适用于下一代边缘 AI、物联网、生物医学传感和神经形态应用。
引用
@article{arxiv.2605.20717,
title = {E-ReCON: An Energy- and Resource-Efficient Precision-Configurable Sparse nvCIM Macro for Conventional and Spiking Neural Edge Inference},
author = {Ankit Kumar Tenwar and Mukul Lokhande and Santosh Kumar Vishvakarma},
journal= {arXiv preprint arXiv:2605.20717},
year = {2026}
}