High-Speed MAGIC-Based Exact and Approximate Adders for In-Memory Computing

Nandit Kaushik

doi:10.1109/JETCAS.2026.3669637

High-Speed MAGIC-Based Exact and Approximate Adders for In-Memory Computing

2026-03-02

0

PRE

AI

DOI：10.1109/JETCAS.2026.3669637

原文链接

原文求助

摘要

En 中文

随着机器学习（ML）等数据密集型应用持续推动计算需求不断增长，传统方法在满足性能要求方面面临日益增加的困难。基于内存的计算作为一种有前景的范式出现，通过允许在内存中直接执行计算，从而减少与数据移动相关的延迟和能耗。近似计算（AxC）提供了另一种互补方法，以降低精度的代价提高性能指标（如速度）。在本工作中，采用有状态忆阻器辅助逻辑（MAGIC）来整合这些范式，用于设计精确和近似的全加器，为现代计算任务奠定基础。所提出的基于MAGIC的精确全加器（MFA），在并行架构上实现，与当前最佳（SoA）精确MAGIC加法器相比，延迟降低了27.7%至65.7%，同时具有最小的$\mathbf{4 \times 5}$交叉开关占用面积。此外，提出了一种新颖的近似方法，产生三种基于MAGIC的近似全加器（MAFA）设计，这些设计与MFA集成以构建具有不同近似程度的进位 Ripple Adders（RCAs）。与现有最佳精确MAGIC加法器相比，MAFA设计将延迟改善了37.3%至68.6%，所需面积减少19.6%至49.6%，能耗降低20%至54.4%。我们针对四个图像处理应用评估了所提出的MAFA设计。结果表明，它们实现了与当前最佳SoA近似忆阻加法器相当的输出质量，同时将延迟最多降低78%，并提高能耗效率最多$35\times$。对包括ResNet、DenseNet和VGG家族在内的CNN模型的评估显示，基于MAFA的加法器在精度上略有损失，但显著改善了延迟和能耗效率，突显了它们对ML工作负载的适用性。

Keyword:

Memristor

MAGIC

adders

approximate computing

IMPLY

High-Speed MAGIC-Based Exact and Approximate Adders for In-Memory Computing

摘要

期刊

机构

引用论文