XBTorch：用于建模与跨栏深度学习加速器协同设计的统一框架
新兴技术
2026-01-13 v1 人工智能
机器学习
摘要
新兴存储技术因在深度学习应用中克服传统计算架构局限性而受到广泛关注。通过在存储器中直接实现计算，这些基于纳米尺度器件、具备可调且非易失导电特性的技术，能够显著降低能耗和延迟，相较于传统 von Neumann 系统具有巨大潜力。本文介绍了 XBTorch（即 CrossBarTorch），一个无缝集成至 PyTorch 的新型仿真框架，提供专业工具，准确且高效地对基于新兴存储技术的跨栏系统进行建模。通过详尽的比较和案例研究涉及硬件感知训练与推理，我们展示了 XBTorch 如何为诸如器件级建模、跨层协同设计以及推理时容错容错等关键研究领域提供统一接口。虽然示例研究采用铁电场效应晶体管（FeFET）模型，但该框架保持技术中立 — — 支持其他新兴存储器，如阻变存储器（ReRAM），并可实现用户自定义的器件模型。代码已公开于：https://github.com/ADAM-Lab-GW/xbtorch
引用
@article{arxiv.2601.07086,
title = {XBTorch: A Unified Framework for Modeling and Co-Design of Crossbar-Based Deep Learning Accelerators},
author = {Osama Yousuf and Andreu L. Glasmann and Martin Lueker-Boden and Sina Najmaei and Gina C. Adam},
journal= {arXiv preprint arXiv:2601.07086},
year = {2026}
}