返回
IDWA: A Importance-Driven Weight Allocation Algorithm for Low Write–Verify Ratio RRAM-Based In-Memory Computing
DOI:10.1109/TVLSI.2025.3578388.png)
摘要
En 中文
基于电阻随机存取存储器(RRAM)的存内计算(IMC)架构目前正受到广泛关注。由于这种计算方法依赖于器件的模拟特性,RRAM的写入变化会在不同程度上影响计算精度。传统的写入-验证(W&V)流程针对所有权重参数执行,导致显著的时间开销。为解决此问题,我们提出了一种训练算法,能够在较低W&V开销成本下恢复受写入变化影响的离线IMC精度。我们在线性网络的训练过程中引入了基于重要性的权重分配(IDWA)算法。该算法约束次要权重值,以抑制变化干扰在该部分权重中的扩散,从而减少不必要的精度下降。此外,我们采用逐层优化算法识别神经网络中需进行W&V操作的重要权重。针对各类深度神经网络(DNN)架构和数据集的广泛测试表明,我们提出的选通W&V方法在精度保持和计算效率方面均优于当前最先进的选通W&V技术。在相同精度水平下,其速度提升相较于其他先进方法可达6倍至32倍。
Keyword:
Importance-driven weight allocation (IDWA)
in-memory computing (IMC)
resistive random access memory (RRAM)
variation
write–verify (W&V)
期刊
I
IF:
3.1
论文数:
487
被引数:
7.3K
机构
引用论文
A crossbar array of magnetoresistive memory devices for in-memory computing用于内存计算的磁阻存储器器件的交叉阵列
Nature
IF0

