Zusammenfassung - 4T2R X-ReRAM CiM-Array für variationstolerantes, niedrigstromverbrauchendes, massiv paralleles MAC-Betrieb
Titel
4T2R X-ReRAM CiM-Array für variationstolerantes, niedrigstromverbrauchendes, massiv paralleles MAC-Betrieb
Zeit
2025-07-18 03:44:39
Autor
{"Fuyuki Kihara","Seiji Uenohara","Satoshi Awamura","Naoko Misawa","Chihiro Matsui","Ken Takeuchi"}
Kategorie
{cs.AR}
Link
http://arxiv.org/abs/2507.13631v1
PDF Link
http://arxiv.org/pdf/2507.13631v1
Zusammenfassung
Dieses Papier schlägt eine neue 4T2R ReRAM-Zelle und eine 8T SRAM-Zelle für CiM-Arrays mit niedrigem Energieverbrauch vor. Die vorgeschlagene 4T2R ReRAM-Zelle reduziert Fehler durch Variationen in ReRAM-Geräten im Vergleich zu konventionellen 4T4R ReRAM-Zellen. Die vorgeschlagene 8T SRAM-Zelle erreicht eine ähnliche Leistung wie die 4T2R-Zelle, während sie die Anzahl der FETs reduziert und somit die Fläche verringert. Die Simulationsergebnisse zeigen, dass die vorgeschlagenen Zellen MAC-Operationen mit niedriger Fehlerquote und hoher Parallelität durchführen können. Die vorgeschlagenen Zellen haben das Potenzial, die Leistung und Effizienz von CiM-Arrays für AI-Anwendungen zu verbessern.
Das Papier stellt das Konzept von Computation-in-Memory (CiM) als vielversprechende Technologie zur Überwindung des von Neumann-Schachtes vor. CiM ermöglicht eine hohe Parallelität, niedrigen Energieverbrauch und geringe Präzisionsrechnungen. ReRAM und SRAM sind zwei Arten von nichtflüchtiger Speicher, die für CiM verwendet werden können. ReRAM ist nichtflüchtig, hat eine große Kapazität, aber eine große Gerätedifferenz. SRAM ist flüchtig, hat eine große Zellenfläche, aber einen niedrigen Schreibkosten und ist schneller.
Das Papier schlägt eine 4T2R ReRAM-Zelle und eine 8T SRAM-Zelle für CiM-Arrays vor. Die 4T2R ReRAM-Zelle besteht aus vier Zugriffs-FETs und zwei ReRAMs. Die 8T SRAM-Zelle besteht aus dem allgemeinen 6T SRAM und zwei Zugriffs-Transistoren, die durch WLB aktiviert werden. Beide Zellen arbeiten durch das Einführen komplementärer PWM-Signale in WL und WLB.
Die Simulationsergebnisse zeigen, dass die vorgeschlagene 4T2R ReRAM-Zelle Fehler durch Variationen in ReRAM-Geräten im Vergleich zu konventionellen 4T4R ReRAM-Zellen reduziert. Die vorgeschlagene 8T SRAM-Zelle erreicht eine ähnliche Leistung wie die 4T2R-Zelle, während sie die Anzahl der FETs reduziert und somit die Fläche verringert. Die vorgeschlagenen Zellen können MAC-Operationen mit niedriger Fehlerquote und hoher Parallelität durchführen.
Die vorgeschlagene 4T2R ReRAM-Zelle und die 8T SRAM-Zelle haben das Potenzial, die Leistung und Effizienz von CiM-Arrays für AI-Anwendungen zu verbessern. Die vorgeschlagenen Zellen können Fehler durch Variationen in ReRAM-Geräten reduzieren, was ein erhebliches Problem für ReRAM-basierte CiM-Arrays darstellt. Die vorgeschlagenen Zellen können auch Fläche und Energieverbrauch reduzieren, was für CiM-Arrays in AI-Anwendungen wichtig ist.
Empfohlene Papiere
Deep Brain Net: Ein optimiertes tiefes Lernmodell zur Erkennung von Gehirntumoren in MRT-Bildern mit EfficientNetB0 und ResNet50 unter Verwendung von Transfer Learning
GENIAL: Generative Design Space Exploration durch Netzwerkumkehr für niedrigenergie-algorithmische Logik-Unit
Systembericht für CCL25-Eval-Aufgabe 10: SRAG-MAV für feingranulares chinesisches Hassrede-Erkennung
Erforschung der Quantenstatistik für Dirac- und Majorana-Neutrinos mittels Spinor-Helicity-Techniken
Hohe Energiezustände wiederkehrender chaotischer Bahnen in zeitabhängigen Potentialtiefen
Computationaler Entwurf personalisierter Arzneimittel durch robuste Optimierung unter Unsicherheit
Produktion von Entropie an elektroschwachen Bläschenwänden durch Skalarfeldfluktuationen
Maschinenlernwerkzeuge für das IceCube-Gen2 Optische Array
In Richtung zeitliche kausale Repräsentationslernen mit Tensor-Dekomposition
Die maximale Proportion von Streuer in stochastischen Gerüchtemodellen