M2RU：用于片上持续学习的矿石递归单元
机器学习
2025-12-29 v2 人工智能
新兴技术
摘要
边缘平台上的持续学习仍具有挑战性，因为循环网络依赖能耗高的训练程序以及频繁的数据移动，这些在嵌入式部署中不可行。本 work 提出了 M2RU，一种混合信号架构，用于实现高效的时序处理和片上持续学习。该架构集成了加权位流式处理，使多位数字输入可在交叉开关中而无需高分辨率转换的情况下被处理，并引入经验回放机制以在域迁移下稳定学习。M2RU 在 48.62 mW 的功耗下实现 15 GOPS，相当于 312 GOPS/W， 在顺序 MNIST 和 CIFAR-10 任务上保持准确率在软件基线的 5% 之内。相对于 CMOS 数字设计，整个加速器在能源效率上实现了 29 倍的提升。器件感知分析显示，在持续学习工作负载下，预期operational lifetime可达 12.2 年。这些结果表明，M2RU 作为一种可扩展且高效的平台，为边缘级时序智能的实时适应提供了可行方案。
引用
@article{arxiv.2512.17299,
title = {M2RU: Memristive Minion Recurrent Unit for On-Chip Continual Learning at the Edge},
author = {Abdullah M. Zyarah and Dhireesha Kudithipudi},
journal= {arXiv preprint arXiv:2512.17299},
year = {2025}
}