面向高效基于RRAM的量化神经网络硬件：现状与开放问题
新兴技术
2022-09-27 v1
摘要
边缘端处理数据量的增长以及对降低大型神经网络架构能耗的需求，推动了从传统冯·诺依曼架构向存内计算范式的转变。量化是通过限制比特精度来降低神经网络功耗与计算需求的方法之一。阻变随机存取存储器（RRAM）器件是实现量化神经网络（QNN）的理想候选。由于RRAM中可能的导电状态数量有限，在设计基于RRAM的神经网络时总是会考虑一定程度的量化。本文中，我们对最先进的基于RRAM的QNN实现进行了全面分析，阐明RRAM在满足高效QNN硬件标准方面的地位。我们涵盖了与QNN相关的硬件与器件挑战，并指出了主要的未解决问题及可能的未来研究方向。
引用
@article{arxiv.2209.12260,
title = {Towards Efficient RRAM-based Quantized Neural Networks Hardware: State-of-the-art and Open Issues},
author = {O. Krestinskaya and L. Zhang and K. N. Salama},
journal= {arXiv preprint arXiv:2209.12260},
year = {2022}
}