基于Spin设备的图像边缘检测架构用于神经形态计算
Gaurav Verma1,2, Sandeep Soni1, Brajesh Kumar Kaushik1
1Department of Electronics and Communication Engineering, Indian Institute of Technology Roorkee, Roorkee, Uttarakhand-247667, India.
Nanotechnology
|October 5, 2023
概括
我们开发了一种新的旋转轨道扭矩磁随机访问存储器 (SOT-DLC MRAM) 设计,用于节能的图像边缘检测. 与传统的CMOS设计相比,这种内存计算方法显著降低了功耗和面积.
科学领域:
- * 螺旋电子和神经形态计算
- *先进的记忆技术 *高级记忆技术
- *用于AI的硬件加速
背景情况:
- *人工智能 (AI) 和深度学习需要大量的硬件资源,这给空间和能源效率带来了挑战.
- *使用非挥发性内存 (NVM) 的内存计算为资源高效硬件提供了一个有前途的解决方案.
- * 现有的AI应用的硬件实现面临着功率和面积的限制.
研究的目的:
- * 提出一种基于SOT-DLC MRAM的新型横杆阵列,用于节能检测图像边缘.
- * 展示用于AI任务的内存计算的优势.
- * 探索殖民地优化 (ACO) 在尖端领域的应用,以增强边缘检测.
主要方法:
- * 设计了一种双层旋转轨道扭矩磁性随机访问存储器 (SOT-DLC MRAM) 横杆阵列.
- * 开发了一个内存边缘检测算法框架,利用基于旋转的横杆设计.
- * 实现并分析了殖民地优化 (ACO) 算法,用于图像边缘提取的尖端域.
主要成果:
- * SOT-DLC MRAM设计实现了在灰度图像边缘检测中数据传输的能源消耗减少8倍.
- *性能优于CMOS设计,面积效率提高1.53倍,泄漏功率降低14.24倍,能源效率提高3.63倍.
- * 与STT-MRAM和传统SOT-MRAM相比,实现了更高的能源效率,比使用ACO的Sobel和Canny方法提高了4.9%和3.72%的像素精度.
结论:
- * SOT-DLC MRAM为图像边缘检测提供了高效的硬件解决方案,大大降低了能源和面积要求.
- *使用spintronic设备进行内存计算是通往资源高效的人工智能硬件的可行途径.
- * 拟议的框架,特别是ACO集成,提高了边缘检测任务的准确性和效率.
