用于能效与功率间歇弹性的卷积神经网络存内处理加速
机器学习
2019-04-18 v1 硬件体系结构
新兴技术
摘要
本文使用自旋轨道转矩磁随机存取存储器（SOT-MRAM）计算子阵列实现了一种位级卷积神经网络（CNN）存内加速器。它利用一种新颖的与累加（AND-Accumulation）方法，能够在卷积层内显著降低能耗，并在 MRAM 中完全执行各种低位宽 CNN 推理操作。通过保留维持计算前向推进所需的局部状态信息，也增强了功率间歇弹性，这有利于无电池物联网节点。仿真结果表明，相较于基于 ReRAM 的加速，能效提高约 5.4 倍、加速 9 倍；相较于近期纯 CMOS 方案，能效约提高 9.7 倍、加速 13.5 倍，同时保持与基线设计相当的推理精度。
引用
@article{arxiv.1904.07864,
title = {Processing-In-Memory Acceleration of Convolutional Neural Networks for Energy-Efficiency, and Power-Intermittency Resilience},
author = {Arman Roohi and Shaahin Angizi and Deliang Fan and Ronald F DeMara},
journal= {arXiv preprint arXiv:1904.07864},
year = {2019}
}
备注
6 pages, 10 figures