Model quantization for computing-in-memory: a survey

Sifan Sun

doi:10.1007/s11432-024-4522-8

Model quantization for computing-in-memory: a survey

2025-11-05

0

PRE

AI

DOI：10.1007/s11432-024-4522-8

原文链接

原文求助

摘要

En 中文

深度神经网络（DNNs）已在广泛的应用中展现出卓越的性能。尽管其具有高精度，但大量参数和高计算复杂度给资源受限平台的部署带来了显著挑战。存内计算（CIM）通过集成计算和存储单元应运而生，成为有前景的解决方案，从而克服了传统的冯·诺依曼瓶颈并提升了整体效率。然而，由于器件表示和数据接口精度的固有局限性，CIM系统难以支持高精度计算。因此，模型量化成为在如此平台上部署DNNs的关键使能技术。本文针对基于CIM的加速器，对模型量化方法进行了全面综述。首先，我们介绍了模型量化和CIM的基本概念。随后，我们从三个角度回顾并分析了现有研究：固定精度量化、混合精度量化以及量化模型的优化。最后，我们总结了CIM特定量化当前面临的挑战和未来方向。

Keyword:

deep neural network

model quantization

quantized neural network

computing-in-memory

neural network accelerator

Model quantization for computing-in-memory: a survey

摘要

期刊

机构

引用论文