新型存算一体架构可在存储阵列内直接执行计算操作,有望突破冯·诺伊曼架构的能效瓶颈。文章聚焦于提升可编程线性随机存取存储器(programmable linear random-access memory, PLRAM)在神经网络推理中的计算精度,通过优化器件结构,...新型存算一体架构可在存储阵列内直接执行计算操作,有望突破冯·诺伊曼架构的能效瓶颈。文章聚焦于提升可编程线性随机存取存储器(programmable linear random-access memory, PLRAM)在神经网络推理中的计算精度,通过优化器件结构,显著拓宽晶体管I_(d)-V_(d)输出特性的线性范围。实验数据显示,与传统闪存芯片相比,改进型闪存芯片在相近的能耗下实现了更集中的推理误差分布,且各层芯片的推理精度均优于前代芯片,最终推理准确率达到94.6%,较传统闪存芯片提升了约4.5%。结果表明,扩展晶体管的线性工作区能够有效抑制前向推理过程中的非线性误差累积,从而显著提高模拟计算的可靠性与芯片推理精度,为后续高精度、低功耗神经网络加速器的设计提供新的器件优化方向。展开更多
文摘新型存算一体架构可在存储阵列内直接执行计算操作,有望突破冯·诺伊曼架构的能效瓶颈。文章聚焦于提升可编程线性随机存取存储器(programmable linear random-access memory, PLRAM)在神经网络推理中的计算精度,通过优化器件结构,显著拓宽晶体管I_(d)-V_(d)输出特性的线性范围。实验数据显示,与传统闪存芯片相比,改进型闪存芯片在相近的能耗下实现了更集中的推理误差分布,且各层芯片的推理精度均优于前代芯片,最终推理准确率达到94.6%,较传统闪存芯片提升了约4.5%。结果表明,扩展晶体管的线性工作区能够有效抑制前向推理过程中的非线性误差累积,从而显著提高模拟计算的可靠性与芯片推理精度,为后续高精度、低功耗神经网络加速器的设计提供新的器件优化方向。
