研究提出基于时间转换的模拟SNN读出架构
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对脉冲神经网络在忆阻器交叉阵列中进行模拟向量矩阵乘法时，传统电流模式读出电路存在面积和功耗开销大的问题，该研究提出一种基于电压到时间转换的全模拟读出架构。通过检测列电压，该方法避免了电流模式的求和与缩放电路，从而提升了面积和能效。基于130纳米CMOS工艺的10x1 SNN后仿真验证了该架构，并将其应用于64x10数字分类SNN以展示推理可行性。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载背景与挑战
人工神经网络的核心运算依赖于向量矩阵乘法。在传统的冯·诺依曼架构中，这一运算的主要瓶颈在于存储单元与处理单元之间昂贵的数据移动。脉冲神经网络通过在忆阻器交叉阵列中执行存内模拟向量矩阵乘法，有效缓解了这一瓶颈。然而，现有的电流模式读出电路在实现过程中，往往伴随着显著的面积开销和功耗开销，限制了其在边缘计算等对能效要求极高场景下的应用。
技术方案
为了解决上述问题，该研究提出了一种基于时间转换的全模拟读出架构。其核心思路是将向量矩阵乘法的输出电压转换为时间信号进行读取。通过直接感知阵列的列电压，这种新方法摒弃了传统方案中必不可少的电流模式求和电路以及缩放电路。这种架构上的简化，直接带来了硬件实现上的优势，能够在保证运算精度的同时，显著降低芯片面积占用并减少整体能耗。
验证与应用
研究人员通过后仿真实验对该架构进行了验证。首先，在130纳米CMOS工艺上实现了一个10x1的脉冲神经网络，仿真结果证实了所提出架构的电路可行性。进一步地，研究团队将该架构应用于一个已经训练好的64x10脉冲神经网络，用于执行数字分类任务。这一应用层面的实验展示了该架构在实际推理任务中的有效性，证明了其不仅停留在理论层面，更具备处理实际问题的潜力。
为什么值得看
提出新型读出架构，有望降低模拟SNN硬件实现的面积与功耗成本。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。