事實證明，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的機器學習架構(gòu)對于廣泛的應用非常有價值，從計算機視覺到圖像分析以及人類語言的處理或生成。然而，為了處理更高級的任務(wù)，這些架構(gòu)變得越來越復雜，計算要求也越來越高。

近年來，全球許多電子工程師因此一直在嘗試開發(fā)能夠支持基于CNN的復雜架構(gòu)的存儲和計算負載的設(shè)備。這包括可以支持大量權(quán)重的更密集的存儲設(shè)備(即，CNN的不同層考慮的可訓練和不可訓練參數(shù))。

中國科學院、北京理工大學和中國其他大學的研究人員最近開發(fā)了一種新的內(nèi)存計算系統(tǒng)，可以幫助更有效地運行更復雜的基于CNN的模型。他們的內(nèi)存組件在NatureElectronics上發(fā)表的一篇論文中進行了介紹，它基于由3D憶阻器陣列制成的非易失性內(nèi)存計算宏。

“將此類系統(tǒng)擴展到3D陣列可以為必要的向量矩陣乘法運算提供更高的并行性、容量和密度，”霍強和他的同事在他們的論文中寫道。“然而，由于制造和設(shè)備可問題，縮放到三個維度具有挑戰(zhàn)性。我們報告了一個2kb非易失性內(nèi)存計算宏，它基于使用55制造的三維垂直電阻隨機存取存儲器納米互補金屬氧化物半導體工藝。"

電阻式隨機存取存儲器或RRAM是基于憶阻器的非易失性(即，即使在電源中斷后仍保留數(shù)據(jù))存儲設(shè)備。憶阻器是一種電子元件，可以限制或調(diào)節(jié)電路中的電流，同時記錄之前流過它們的電荷量。

RRAM本質(zhì)上是通過改變憶阻器的電阻來工作的。雖然過去的研究已經(jīng)證明了這些存儲設(shè)備的巨大潛力，但這些設(shè)備的傳統(tǒng)版本與計算機引擎是分開的，這限制了它們可能的應用。

內(nèi)存計算RRAM設(shè)備旨在通過將計算嵌入內(nèi)存中來克服這一限制。這可以大大減少內(nèi)存和處理器之間的數(shù)據(jù)傳輸，最終提高整個系統(tǒng)的能源效率。

Huo和他的同事創(chuàng)建的內(nèi)存計算設(shè)備是具有垂直堆疊層和外圍電路的3DRRAM。該器件的電路采用55nmCMOS技術(shù)制造，該技術(shù)是當今市場上大多數(shù)集成電路的基礎(chǔ)。

研究人員通過使用它來執(zhí)行復雜的操作并運行用于檢測MRI腦部掃描邊緣的模型來評估他們的設(shè)備。該團隊使用兩個現(xiàn)有的用于訓練圖像識別工具的MRI數(shù)據(jù)集(稱為MNIST和CIFAR-10數(shù)據(jù)集)來訓練他們的模型。

“當輸入、權(quán)重和輸出數(shù)據(jù)分別為8,9和22位且位密度為58.2位µm–2，”研究人員在他們的論文中寫道。“我們表明，與傳統(tǒng)方法相比，宏在CIFAR-10數(shù)據(jù)集上提供了更準確的大腦MRI邊緣檢測和更高的推理精度。”

在最初的測試中，由霍和他的同事創(chuàng)建的內(nèi)存計算垂直RRAM系統(tǒng)取得了顯著的成果，優(yōu)于傳統(tǒng)的RRAM方法。因此，在未來，它可能被證明對于更節(jié)能地運行基于CNN的復雜模型非常有價值，同時還能實現(xiàn)更好的準確性和性能。

標簽：