相关实验视频
Updated: Sep 11, 2025
08:54
Chronic Implantation of Multiple Flexible Polymer Electrode Arrays
Published on: October 4, 2019
10.8K
二进制加权神经网络使用FeRAM数组用于低功耗AI计算
Seung-Myeong Cho1, Jaesung Lee1, Hyejin Jo1
1School of Electrical Engineering, Kookmin University, Seoul 02707, Republic of Korea.
Nanomaterials (Basel, Switzerland)
|August 13, 2025
概括
本研究介绍了使用铁电RAM (FeRAM) 进行节能计算的二进制加权神经网络 (BWNN). 基于FeRAM的内存计算 (CIM) 架构显著降低了人工智能应用的功耗.
科学领域:
- 计算机工程 计算机工程
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 人工智能 (AI) 越来越多地部署在边缘设备上,要求节能实施.
- 现有的内存计算 (CIM) 架构在功耗方面面临限制.
- 移动和物联网领域需要低功耗的人工智能解决方案.
研究的目的:
- 为边缘AI开发一种节能的神经网络架构.
- 使用基于铁电RAM (FeRAM) 的突触数组实现二进制加权神经网络 (BWNN).
- 为了证明基于FeRAM的CIM的节能潜力.
主要方法:
- 为CIM设计了一个BWNN架构,使用基于FeRAM的突触阵列.
- 利用FeRAM的非挥发性特性和低功耗计算.
- 使用MNIST数据集模拟的功耗和识别精度.
主要成果:
- FeRAM-CIM架构实现了动态功率 (高达6.5%) 和待机功率 (超过258×) 的显著降低.
- 二进制重量量化和内存计算使能以最少的准确性损失进行节能推断.
- 与SRAM,DRAM和STT-MRAM CIM相比,已经证明了更高的能源效率 (230-580 TOPS/W).
结论:
- 基于FeRAM的BWNN为能源受限制的边缘AI和物联网应用提供了引人注目的解决方案.
- 拟议的CIM架构显著提高了能源效率.
- 对于下一代低功耗AI硬件来说,FeRAM技术非常有前途.
