resistive random-access memory
PulseAugur coverage of resistive random-access memory — every cluster mentioning resistive random-access memory across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新工具包优化RRAM交叉阵列上的神经网络推理
研究人员开发了CIM-Explorer，一个旨在优化二元和三元神经网络（BNN和TNN）在阻变随机存取存储器（RRAM）交叉阵列上运行时性能的新工具包。该工具通过提供端到端的编译器堆栈、多种映射选项和用于设计空间探索（DSE）的模拟器，解决了现有软件的局限性。CIM-Explorer旨在协助整个设计过程，从早期精度估算到为最终的RRAM芯片编译网络，并可在GitHub上获取。
-
新框架优化CPU-CIM系统中的机器学习工作负载划分
研究人员开发了一个新的框架，用于在中央处理器（CPU）和计算内存（CIM）加速器之间划分机器学习工作负载。该框架通过考虑阻变随机存取存储器（RRAM）的约束、并行性和CPU作为补充资源的角色，解决了现有方法的局限性。提出的基于整数线性规划（ILP）的方法可以最小化推理延迟，并已显示出显著的加速效果，在边缘CPU上实现了高达30.9倍的CPU独立执行速度，在高性能CPU上实现了7.3倍的速度。
-
新框架ApproxHDC通过编译器驱动的近似优化超高维计算
研究人员开发了ApproxHDC，一个利用编译器驱动的近似调优来提高超高维计算（HDC）工作负载效率的新颖框架。该方法旨在通过为包括CPU、GPU以及ReRAM和PCM等新兴内存计算技术在内的各种硬件平台优化HDC算法来解决摩尔定律的局限性。ApproxHDC自动化领域特定近似的识别和应用，在巨大的可能性空间中导航，以在对准确性影响最小的情况下实现显著的性能提升。
-
新的微调方法使深度神经网络适应ReRAM内存计算
研究人员开发了一种新的微调方法，用于将深度神经网络适应ReRAM基内存计算硬件的部署。该方法解决了ReRAM固有的I-V非线性和保持误差的挑战，这些挑战通常需要从头开始进行计算成本高昂的训练。所提出的技术将这些硬件非理想因素整合到微调过程中的正则化损失中，显著降低了开销，同时在包括ImageNet图像分类和SQuAD v2问答在内的各种模型和任务中保持了高精度。
-
基于RRAM的RBF神经元硬件在MNIST上达到89.1%的准确率
研究人员开发了一种使用金属氧化物阻变存储器（RRAM）技术的新型径向基函数（RBF）神经元硬件实现。该设计基于定制的Template piXeL（TXL）单元，可作为资源受限的边缘设备上基于度量分类和在线适应的高效基板。模拟显示，基于RRAM的RBF分类器在MNIST数据集上实现了89.1%的准确率，且能耗低。
-
新型计算内存宏提升边缘AI推理效率
研究人员开发了E-ReCON，这是一种新颖的计算内存（CIM）宏，专为边缘设备上的高效AI推理而设计。该宏利用紧凑的ReRAM位单元，能够为常规神经网络和脉冲神经网络执行乘法运算。该设计采用了交错加法器树以减少晶体管数量和功耗，从而实现高能效和低延迟。