.png){kind=icon}
返回
A Heterogeneous System With Computing in Memory Processing Elements to Accelerate CNN Inference
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSI.2025.3543104.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
存内计算（CIM）是集成逻辑于内存以提高计算性能的一种有前景的解决方案。本研究提出了一种基于超快CIM架构的高效异构系统（HS-CIM），用于加速卷积神经网络（CNN）推理。首先，基于静态随机存取存储器（SRAM），利用新颖的全输入和全数字方案实现了乘累加（MAC）操作，提出了超快CIM架构，有效解决了CIM架构中高精度计算导致的高延迟问题。其次，构建了基于所提出的CIM架构的异构系统（HS-CIM），配备了全局对齐缓存和自适应剪枝方案，以消除输入数据带宽限制导致的性能下降和精度损失。同时，提出了高效输入数据和权重数据映射方案，以最小化从缓存到CIM架构的输入数据传输延迟和能耗，从而在HS-CIM系统中实现高效CNN推理。最后，我们通过实现CNN的LeNet-5和VGG模型来识别MNIST和CIFAR-10数据集的图像，在布局层面分析了HS-CIM的性能。结果表明，所提出的CIM架构在8位输入/权重精度下的能效达到58.32 TOPS/W。同时，HS-CIM系统在MNIST和CIFAR-10上的推理准确率分别为99.25%和92.34%。
Keyword:
Computing in memory (CIM)
heterogeneous system
SRAM
CNN
期刊
IF:
5.2
论文数:
9.8K
被引数:
2.2W
机构
引用论文
.png){kind=icon}
C3SRAM: An In-Memory-Computing SRAM Macro Based on Robust Capacitive Coupling Computing Mechanism
OAAI
OAAI分享收藏AOS: An Automated Overclocking System for High-Performance CNN Accelerator Through Timing Delay Measurement on FPGAAOS：一种基于FPGA时序延迟测量的高性能CNN加速器自动化超频系统
PREAI
分享收藏分享收藏
查看更多内容