बाइनरी गहरे न्यूरल नेटवर्क के लिए मोनोलीथिक रूप से एकीकृत RRAM और 90-एनएम CMOS के साथ उच्च-थ्रूपुट इन-मेमोरी कंप्यूटिंग

गहरे न्यूरल नेटवर्क (DNN) हार्डवेयर डिज़ाइन पारंपरिक मेमोरीज़, जैसे कि SRAM द्वारा बाधित हो गए हैं, जो घनत्व, रिसाव, और समानांतर कंप्यूटिंग चुनौतियों के कारण हैं। प्रतिरोधी उपकरण घनत्व और अस्थिरता के मुद्दों का समाधान कर सकते हैं लेकिन उन्हें परिधीय सर्किट एकीकरण द्वारा सीमित किया गया है। इस कार्य में, हम RRAM-आधारित इन-मेमोरी कंप्यूटिंग (IMC) डिज़ाइन प्रस्तुत करते हैं, जिसे 90-एनएम CMOS में RRAM उपकरणों के मोनोलीथिक एकीकरण के साथ बनाया गया है। हमने CMOS परिधीय सर्किट के साथ 128 × 64 RRAM एरे को एकीकृत किया, जिसमें पंक्ति/स्तंभ डिकोडर्स और फ्लैश एनालॉग-टू-डिजिटल कनवर्टर्स (ADCs) शामिल हैं, जो बड़े DNNs के लिए स्केलेबल RRAM-आधारित IMC का एक कोर घटक बन जाते हैं। IMC समानांतरता को अधिकतम करने के लिए, हम RRAM एरे की सभी 128 वर्डलाइनों को एक साथ सक्रिय करते हैं, बिटलाइनों के साथ एनालॉग कंप्यूटिंग करते हैं, और ADCs का उपयोग करके बिटलाइन वोल्टेज को डिजिटाइज़ करते हैं। कम-प्रतिरोधी राज्यों के प्रतिरोध वितरण को एक अनुक्रमिक लेखन-निर्धारण योजना द्वारा कड़ा किया जाता है। प्रोटोटाइप चिप माप दर्शाते हैं कि MNIST के लिए 98.5% और CIFAR-10 डेटा सेट के लिए 83.5% की उच्च बाइनरी DNN सटीकता है, जिसमें 24 TOPS/W और 158 GOPS हैं। यह वर्तमान साहित्य के मुकाबले थ्रूपुट और ऊर्जा-डिले उत्पाद (EDP) में क्रमशः 22.3× और 10.1× सुधार का प्रतिनिधित्व करता है, जो क्षेत्र-/ऊर्जा-सीमित किनारे कंप्यूटिंग उपकरणों के लिए बुद्धिमान कार्यक्षमताओं को सक्षम कर सकता है।