MINIMALIST：用于高效 GRU 单元内存计算的开关电容电路
硬件体系结构
2025-05-14 v1 人工智能
机器学习
信号处理
摘要
循环神经网络(RNN)长期以来是处理时序序列数据的热门选择，尤其是在受限的内存环境中（如嵌入式边缘计算环境）。近期的训练范式已催生新一代高效 RNN。我们引入一种基于最小化门控循环单元(GRU)的简洁且硬件兼容的架构，以及该模型的高效混合信号硬件实现。该设计利用开关电容电路进行不仅用于内存计算(IMC)，还用于门控状态更新。混合信号核心仅依赖由金属电容、传输门和时钟比较器组成的通用电路，从而大大简化了规模和向其他工艺节点迁移。我们在时序数据上对该架构进行基准测试，引入了直接映射到硬件系统所需的全部约束。通过混合信号仿真验证了直接兼容性，软件-only网络模型的记录数据得以复现。
引用
@article{arxiv.2505.08599,
title = {MINIMALIST: switched-capacitor circuits for efficient in-memory computation of gated recurrent units},
author = {Sebastian Billaudelle and Laura Kriener and Filippo Moro and Tristan Torchet and Melika Payvand},
journal= {arXiv preprint arXiv:2505.08599},
year = {2025}
}