In-memory computing using a static random-access memory (SRAM)
PulseAugur coverage of In-memory computing using a static random-access memory (SRAM) — every cluster mentioning In-memory computing using a static random-access memory (SRAM) across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的IPZO架构增强了IMC加速器上的SNN微调
研究人员开发了一种事件触发隐式扰动（IPZO）架构，以提高在内存计算（IMC）加速器上微调脉冲神经网络（SNN）的效率。这种新方法消除了冗余的读-改-写操作，并通过仅为激活的权重生成扰动来减小随机数生成器的硬件占用空间。IPZO架构，特别是采用PGU-XOR方案时，在能耗和面积开销方面与之前的扰动方法相比显著降低，同时实现了与基于软件的方法相当的准确性。
-
新的内存计算方法提高了AI决策效率
研究人员开发了一种新颖的内存计算（IMC）方法，以显著提高蒙特卡洛树搜索（MCTS）这一核心AI决策算法的能效。通过将MCTS阶段分解为硬件原生的IMC基元，该系统可以在芯片上执行复杂的搜索，从而大大降低功耗。与传统的CPU和GPU相比，这种IMC-MCTS实现实现了显著的节能，同时在围棋方面也达到了具有竞争力的性能水平。
-
新的ECRAM系统加速边缘持续学习，大幅降低能耗
研究人员开发了CLASP，一个旨在通过集成内存计算（IMC）和专用ECRAM设备来加速边缘设备上持续学习的新系统。该方法解决了机器学习中IMC架构通常伴随的大量数据移动和嘈杂计算的挑战。CLASP旨在使持续学习在资源受限的边缘平台（如自动驾驶汽车和智能传感器）上变得可行。该系统在使用MNIST数据集的实验中显示出接近GPU的训练精度，同时提供了显著的速度和能源节省。
-
新型FPGA架构提升机器学习推理效率
研究人员开发了一种名为NIFA的新型FPGA架构，可提高深度学习推理效率。该架构集成了使用模拟内容可寻址内存（ACAM）的无ADC片上计算（IMC）模块，以原生执行非线性运算。NIFA系统优化了FPGA的交叉开关尺寸，并利用ACAM进行动态矩阵-矩阵乘法，将IMC的应用范围扩展到Transformer模型中的注意力计算。这种方法显著提高了CNN和基于Transformer的工作负载的能效和面积效率。
-
现代模拟计算论文探讨人工智能和科学应用
一篇新论文探讨了现代模拟计算的进展和应用，特别是用于求解微分方程和矩阵方程。它强调了电阻式存储器阵列作为一种有前景的硬件实现，因为其效率高。该研究还讨论了模拟计算在人工智能和科学计算等领域的潜力，同时解决了精度和可扩展性等挑战。