可重构数字RRAM逻辑实现边缘AI的原地剪枝与学习
硬件体系结构
2025-06-17 v1
摘要
人脑在执行所有计算的同时，通过生长、剪枝和强化突触来同时优化突触权重和拓扑结构。相比之下，现代人工智能系统将权重优化与拓扑优化分离，并依赖于能耗密集的冯·诺依曼架构。在此，我们提出了一种软硬协同设计来弥合这一差距。在算法方面，我们引入了一种实时动态权重剪枝策略，在训练过程中监控权重相似性并即时消除冗余，在MNIST上减少26.80%的操作，在ModelNet10上减少59.94%的操作，且不牺牲准确率（分别为91.44%和77.75%）。在硬件方面，我们基于180 nm一晶体管一电阻（1T1R）RRAM阵列制造了一种可重构的全数字存内计算（CIM）芯片。每个阵列嵌入灵活的布尔逻辑（NAND、AND、XOR、OR），使得卷积和相似性评估均在内存内部完成，并消除了所有ADC/DAC开销。该数字设计实现了零比特错误，与模拟RRAM CIM相比减少了72.30%的硅面积和57.26%的总能耗，相比NVIDIA RTX 4090在MNIST和ModelNet10上分别降低能耗75.61%和86.53%。我们的协同设计共同建立了一个可扩展的类脑范式，用于未来自适应、节能的边缘智能。
引用
@article{arxiv.2506.13151,
title = {Reconfigurable Digital RRAM Logic Enables In-Situ Pruning and Learning for Edge AI},
author = {Songqi Wang and Yue Zhang and Jia Chen and Xinyuan Zhang and Yi Li and Ning Lin and Yangu He and Jichang Yang and Yingjie Yu and Yi Li and Zhongrui Wang and Xiaojuan Qi and Han Wang},
journal= {arXiv preprint arXiv:2506.13151},
year = {2025}
}