Binarized Neural Network Accelerator Macro Using Ultralow-Voltage Retention SRAM for Energy Minimum-Point Operation
Binarized Neural Network Accelerator Macro Using Ultralow-Voltage Retention SRAM for Energy Minimum-Point Operation
复制标题
使用超低压保持 SRAM 进行能量最小点操作的二值化神经网络加速器宏
DOI：
10.1109/jxcdc.2022.3225744
复制
发表时间：
2022
影响因子：
2.4
通讯作者：
Sugahara Satoshi
中科院分区：
文献类型：
--
作者：
Shiotsu Yusaku;Sugahara Satoshi
提出了一种基于内存处理（PIM）/内存计算（CIM）架构的二值化神经网络（BNN）加速器，使用超低电压保留静态随机存取存储器（ULVR-SRAM）进行能量最小点（EMP）操作。 BNN 加速器 (BNA) 宏旨在在超低电压 (< EMP) 下使用 ULVR 在 EMP 和实质性功率门控 (PG) 上执行稳定的推理操作，可应用于任意形状和尺寸的全连接层 (FCL)。通过将 ULVR-SRAM 应用于宏来实现 BNA 宏的 EMP 操作，可以显着提高能源效率 (TOPS/W)，并显着增加并行乘法累加 (MAC) 操作的数量。此外，BNA宏的ULVR模式也受益于ULVR-SRAM的使用，可有效降低待机功耗。所提出的 BNA 宏可以为 FCL 显示 65 TOPS/W 的高能效。这种使用 ULVR-SRAM 的 BNA 宏概念可以扩展到卷积层，其中 EMP 操作也有望提高卷积层的能量效率。
A binarized neural network (BNN) accelerator based on a processing-in-memory (PIM)/ computing-in-memory (CIM) architecture using ultralow-voltage retention static random access memory (ULVR-SRAM) is proposed for the energy minimum-point (EMP) operation. The BNN accelerator (BNA) macro is designed to perform stable inference operations at EMP and substantive power-gating (PG) using ULVR at an ultralow voltage (< EMP), which can be applied to fully connected layers (FCLs) with arbitrary shapes and sizes. The EMP operation of the BNA macro, which is enabled by applying the ULVR-SRAM to the macro, can dramatically improve the energy efficiency (TOPS/W) and significantly enlarge the number of parallelized multiply–accumulate (MAC) operations. In addition, the ULVR mode of the BNA macro, which also benefits from the usage of ULVR-SRAM, is effective at reducing the standby power. The proposed BNA macro can show a high energy efficiency of 65 TOPS/W for FCLs. This BNA macro concept using the ULVR-SRAM can be expanded to convolution layers, where the EMP operation is also expected to enhance the energy efficiency of convolution layers.
功能存储器发展趋势（LSI存储器特刊）
影响因子：
0.5
作者：
K. Tamaru
通讯作者：
K. Tamaru
具有使用页眉和页脚电源开关的电源门控单元架构的超低压保持 SRAM
影响因子：
2.6
作者：
Yoshida Hayato;Shiotsu Yusaku;Kitagata Daiki;Yamamoto Shuu'ichirou;Sugahara Satoshi
通讯作者：
Sugahara Satoshi
通过 XNOR 网络在边缘启用 AI
影响因子：
22.7
作者：
Mohammad Rastegari;Vicente Ordonez;Joseph Redmon;Ali Farhadi
通讯作者：
Ali Farhadi