受神经网络启发的模数转换以实现低精度 RRAM 器件的超分辨率
机器学习
2019-12-02 v1 硬件体系结构
新兴技术
信号处理
摘要
近期工作提出了受神经网络（NN）启发的模数转换器（NNADC），并展示了其在许多新兴应用中的巨大潜力。这些 NNADC 通常依赖阻变随机存取存储器（RRAM）器件来实现 NN 运算，并需要高精度 RRAM 单元（6~12 位）以实现中等量化分辨率（4~8 位）。然而，这种对 RRAM 分辨率的乐观假设并未得到大规模生产流程中 RRAM 阵列制备数据的支持。在本文中，我们提出一种基于低精度 RRAM 器件的受 NN 启发的超分辨率 ADC，其利用将流水线硬件架构与定制 NN 训练框架相结合的协同设计方法的优势。SPICE 仿真获得的结果表明，我们的方法使用 3 位 RRAM 器件实现了 14 位超分辨率 ADC 的鲁棒设计，并改善了功耗与速度性能，且具有竞争力的品质因数（FoM）。除线性均匀量化外，所提出的 ADC 还能支持可配置的高分辨率非线性量化，具有高转换速度和高转换能量效率，从而为近传感器分析与处理实现未来的智能模数信息接口。
引用
@article{arxiv.1911.12815,
title = {Neural Network-Inspired Analog-to-Digital Conversion to Achieve Super-Resolution with Low-Precision RRAM Devices},
author = {Weidong Cao and Liu Ke and Ayan Chakrabarti and Xuan Zhang},
journal= {arXiv preprint arXiv:1911.12815},
year = {2019}
}
备注
7 pages, ICCAD 2019