评估基于 RRAM 的计算存储加速器中二进制和三值 CNN 工作负载的可扩展性
信号处理
2025-07-25 v3
摘要
卷积神经网络 (CNN) 的计算需求日益增长，亟需能效的加速策略。基于阻变随机存取存储器 (RRAM) 的计算存储 (Compute-in-Memory, CIM) 架构通过减少数据传输并实现低功耗原位计算，提供了有前景的解决方案。然而，其效率受到外围电路高成本的限制，尤其是模拟-数字转换器 (ADC)。通常采用大规模交叉栏和低 ADC 分辨率来缓解此问题，可能导致精度下降。本文引入了新的仿真方法，用于建模 RRAM 交叉栏中电阻性导线 parasitic 效应及有限 ADC 分辨率的影响。我们的 parasitic 模型采用向量化算法计算交叉栏输出电流，误差小于 SPICE 相对于 0.15%。此外，我们提出了可变步长 ADC 和校准方法，显著降低了 ADC 分辨率要求。这些精度模型集成到基于统计的能耗模型中。利用 our 框架，我们对二进制 CNN 和三值 CNN 进行了比较分析。实验结果表明，三值 CNN 对导线 parasitic 和低 ADC 分辨率具有更大的鲁性，但能效降低约 40%。这些发现为优化用于能效深度学习的 RRAM-based CIM 加速器提供了宝贵的见解。
引用
@article{arxiv.2505.07490,
title = {Evaluating the Scalability of Binary and Ternary CNN Workloads on RRAM-based Compute-in-Memory Accelerators},
author = {José Cubero-Cascante and Rebecca Pelke and Noah Flohr and Arunkumar Vaidyanathan and Rainer Leupers and Jan Moritz Joseph},
journal= {arXiv preprint arXiv:2505.07490},
year = {2025}
}
备注
PREPRINT - Presented at the 2025 IEEE Computer Society Annual Symposium on VLSI (ISVLSI 2025)