面向存内计算应用的模拟非易失性器件建模与分析
硬件体系结构
2023-05-02 v1
摘要
本文介绍了一种用于分析和训练专为存内计算（compute-in-memory）硬件定制的神经网络模型的新颖仿真工具。该工具利用基于物理的器件模型，从而能够设计更具硬件精度的神经网络模型及其参数。初步研究侧重于使用来自 fabricated 器件的测量数据对基于 CMOS 的浮栅晶体管和忆阻器器件进行建模。此外，该工具还纳入了硬件约束（例如数据转换器的动态范围），并允许用户指定电路级约束。使用 MNIST 数据集和 LeNet-5 架构的案例研究展示了该工具估算面积、功耗和精度的能力。结果展示了所提工具在优化存内计算硬件神经网络模型方面的潜力。
引用
@article{arxiv.2305.00618,
title = {Modeling and Analysis of Analog Non-Volatile Devices for Compute-In-Memory Applications},
author = {Carl Brando and Minseong Park and Sayma Nowshin Chowdhury and Matthew Chen and Kyusang Lee and Sahil Shah},
journal= {arXiv preprint arXiv:2305.00618},
year = {2023}
}
备注
Submitted to MWSCAS 2023. 5 pages, 4 figures, 1 table