面向神经计算及更广泛应用的高能效时域向量-矩阵乘法器

我们提出了一种极高能效的混合信号方法，用于在时域中执行向量-矩阵乘法。在该实现中，输入和输出向量元素的多位数值由时间编码的数字信号表示，而多位矩阵权重由电流源实现，例如偏置于亚阈值区的晶体管。借助我们的方法，乘法器可级联以完全在时域中实现大规模电路。乘法器工作不依赖于耗能的静态电流，而后者是传统混合信号实现的外围和输入/输出转换电路的典型特征。作为一个案例研究，我们基于两层 10x10 四象限向量-矩阵乘法器，采用具有嵌入式 NOR 闪存技术的 55 nm 工艺设计了一个多层感知机，其允许紧凑地实现可调电流源。基于存储单元测量的分析表明，在高计算速度下，漏致势垒降低是将乘法器精度限制为约 6 位的主要因素。针对在 55 nm 工艺中设计的保守 6 位数字输入/输出 NxN 乘法器（包括用于在数字与时域表示之间转换的 I/O 电路）的版图后估计显示，当 N>200 时约为 7 fJ/Op，而对于更优且激进的设计，该值可进一步降至远低于 1 fJ/Op。