24小時聯系電話:18217114652、13661815404
中文
技術專題
電阻式存儲器為邊緣AI提供了受生物啟發(fā)的架構
近年來，在腦啟發(fā)計算領域的研究活動獲得了巨大的發(fā)展。主要原因是試圖超越傳統(tǒng)的馮·諾依曼架構的局限性，后者越來越受存儲器-邏輯通信的帶寬和等待時間的局限性影響。在神經形態(tài)架構中，內存是分布式的，可以與邏輯共定位。鑒于新的電阻式存儲器技術可以集成在CMOS工藝的互連層中，因此可以輕松地提供這種可能性。
雖然目前AI部署中的大部分注意力都集中在大型常規(guī)計算系統(tǒng)中實現深度學習算法，但對設備和電路技術的影響卻是混雜的。盡管先進的標準CMOS技術已用于開發(fā)GPU和特定的電路加速器，但并沒有真正推動使用任何“受生物啟發(fā)”的硬件。新興的電阻式存儲設備（RRAM）可以打開途徑，由于能夠（感知到）不夠成熟，可以通過在相對較低的偏置電壓下調節(jié)電導來在納米尺度上模擬生物學上合理的突觸行為，因此這些方法僅限于研究組。技術。
但是，這些新設備可以為將AI大量部署到消費和工業(yè)產品中所面臨的主要問題之一提供解決方案：能源效率。如果將AI的使用范圍擴大，將所有數據傳輸到云/服務器系統(tǒng)進行分析的能源開銷將很快達到AI的經濟可行性的極限。此外，對于自動駕駛汽車和工業(yè)控制等實時系統(tǒng)而言，如果連接到5G基礎架構以處理數據的服務器集中在定義明確的區(qū)域而不是分布在整個基礎架構中，則延遲仍然是一個問題。由于這些原因，并且在歐洲也出于隱私考慮，具有高度節(jié)能的邊緣/使用點的，具有AI的系統(tǒng)將變得越來越重要，并且可能會逐步改善本地學習能力。
嵌入式AI系統(tǒng)非常適合處理需要實時響應的數據，并且在能源是主要問題的情況下。如tinyML計劃的成功所證明的那樣，對此類系統(tǒng)的興趣正在增長[1]。當處理稀疏，時域，由傳感器（如麥克風，激光雷達，超聲波等）生成的數據流時，該領域的生物啟發(fā)（即存儲元件還充當互連和計算元件）方法具有額外的優(yōu)勢。這些系統(tǒng)將然后能夠在模擬域中進行大多數操作，從而避免了耗電，不必要的多次模數轉換以及使用非時鐘數據驅動架構來簡化數據流。僅在信號脈沖期間沒有時鐘和存儲元件中的耗散，在沒有輸入的情況下會導致極低的功耗（因此適用于稀疏信號），并且可能不需要特定的睡眠模式即可獲得電池供電的工作狀態(tài)。而且，非易失性僅在首次上電或系統(tǒng)最終更新時才需要設置參數，而在每次上電時都不需要從外部來源進行傳輸。
但是，使用新型電阻式存儲器不僅限于此類“邊緣”或“生物啟發(fā)”應用，還可以使執(zhí)行慢速非易失性高速緩存/快速大容量存儲中間存儲器功能的傳統(tǒng)全數字時鐘系統(tǒng)受益神經加速器的水平。在這種情況下，好處將是減少快速DRAM和SRAM緩存區(qū)域，同時仍減少訪問大容量存儲的延遲。
生物啟發(fā)式計算的硬件平臺
從技術角度來看，RRAM由于具有CMOS兼容性，高可伸縮性，強大的耐用性和良好的保留特性，因此是神經形態(tài)應用的良好候選者。但是，定義大規(guī)模混合集成神經形態(tài)系統(tǒng)（具有阻性記憶突觸的CMOS神經元）的實際實施策略和有用應用仍然是一個困難的挑戰(zhàn)
已經提出了諸如相變存儲器（PCM），導電橋RAM（CBRAM）和氧化物RAM（OxRAM）之類的電阻RAM（RRAM）設備來模擬生物學上受突觸功能啟發(fā)的功能，這些功能對于實現神經形態(tài)硬件至關重要。在不同類型的模擬突觸特征中，依賴于尖峰時序的可塑性（STDP）是最常用的一種，但肯定不是唯一的可能性，并且某些可能顯示出對實際應用的實現更為有用。
實施這些思想并驗證該方法的電路示例是SPIRIT，由IEDM 2019提出[2]。已實現的SNN拓撲是單層的，完全連接的拓撲，其目的是在MNIST數據庫上執(zhí)行推理任務，有10個輸出神經元，每個類一個。為了減少突觸的數量，將圖像縮小到12×12像素（每個神經元144個突觸）。使用單級單元（SLC）RRAM實現突觸，即僅考慮低和高電阻級別。結構為1T-1R類型，每個單元帶有一個訪問晶體管。多個單元并聯連接以實現各種重量。在學習框架上進行的突觸量化實驗表明，介于-4到+4之間的整數值是分類精度和RRAM數量之間的良好折衷。由于我們旨在獲得加權電流，因此必須使用4個RRAM作為正權重。對于負權重，也可以使用RRAM對符號位進行編碼：但是，由于將需要容錯三重冗余，因此最好使用4個附加RRAM來實現負權重。
“集成與射擊（IF）”模擬神經元設計是在數學等效性的指導下進行的，該數學等效性是在有監(jiān)督的離線學習中使用的tanh激活函數。規(guī)格如下：（1）突觸重量等于±4的刺激必須產生尖峰；（2）神經元必須產生正負尖峰；（3）它們必須有一個不應期，在此期間它們不能散發(fā)尖峰，但必須繼續(xù)積分。神經元是圍繞MOM 200fF電容器設計的。使用兩個比較器將其電壓電平與正閾值和負閾值進行比較。由于必須在RRAM的端子之間以不超過100mV的電壓降讀取RRAM，因此，為了防止將設備設置為LRS，所獲得的電流不能被神經元直接積分，因此它們會被電流注入器復制。評估了編程條件的影響，并使用足夠的編程條件來確保有足夠大的內存窗口。放松機制的確出現在很短的時間范圍內（不到一小時）。因此，分類精度不會隨時間降低。還驗證了讀取穩(wěn)定性，將高達800M的峰值發(fā)送到電路。
MNIST數據庫的10K測試圖像上的分類精度測得為84％。該值必須與88％的理想模擬獲得的精度進行比較，該精度受簡單的網絡拓撲限制（1層具有10個輸出神經元）。每個突觸事件的能量耗散等于3.6 pJ。當考慮電路邏輯和SPI接口時，它總計為180 pJ（可以通過優(yōu)化通信協議來降低它）。測量表明，圖像分類平均需要136個輸入峰值（對于ΔS= 10）：每個輸入所累積的峰值少于一個峰值，與130nm節(jié)點中的等效形式編碼MAC操作相比，能量增益提高了5倍。能量增益來自（1）基本操作的輕度（累積，而不是像經典編碼中那樣進行乘法累加）和（2）由于尖峰編碼而導致的活動稀疏性。稀疏性的好處將隨著層數的增加而增加。
這個小演示者展示了如何可以與傳統(tǒng)的嵌入式方法相提并論，但功耗卻大大降低了。實際上，在SNN演示中使用的速率代碼使該實現等效于經典編碼的實現：從經典域到尖峰域的代碼轉換不會引起準確性上的任何損失。但是，從概念驗證中使用的簡單拓撲（即單層感知器）可以解釋，與使用更大網絡和更多層的最新深度學習模型相比，分類精度略低。為了克服這種差異，目前正在實施一種更為復雜的拓撲結構（MobileNet類），并且分類精度將相應提高，同時具有相同的能源優(yōu)勢。
相同的方法將擴展到嵌入了麥克風或激光雷達的電路，以本地和實時分析數據流，從而無需通過網絡傳輸。速率編碼和時間編碼策略都可以用于優(yōu)化網絡，具體取決于信號的信息內容。最初，學習將集中進行，并且僅將推理集成到系統(tǒng)中，但是在以后的世代中將引入一定程度的增量學習。
利用對嵌入式AI產品有益的屬性RRAM的另一種方法是使用基于RRAM交叉開關陣列的模擬架構。與傳統(tǒng)的數字實現相比，它們可以提供更密集的乘法累加器（MAC）功能實現，在推理和學習電路中居于中心。如果采取進入時域并消除時鐘的進一步步驟，則可獲得超出當前技術水平的緊湊型低功率系統(tǒng)。盡管這種方法非常有前途并且受到學術界的廣泛研究，但該方法仍未被業(yè)界廣泛接受，這指出了設計，驗證，表征和認證模擬異步設計的難度，以及擴展模擬解決方案的難度。在我們看來，
這些記憶的部分感知困難來自觀察到的變異性，但這是實驗條件的反映。當在300mm內工作并且集成過程更加成熟時，我們觀察到更好的分布，因此我們假設可變性問題可以在工業(yè)化過程中解決。設計工具也即將問世，更精確的模型也逐漸可用。溫度變化當然會產生影響，但是這種計算類型的統(tǒng)計性質及其在推理階段對參數變化在某種程度上具有固有的魯棒性，因此其最終影響遠不如使用社區(qū)的常規(guī)模擬設計那么重要。模擬交叉開關方法的優(yōu)點之一是，當施加“零”數據時，自動沒有電流。
有些問題更為根本。第一個是功率效率和高度并行性來自權衡時間復用（工作頻率）與面積的關系：權衡有利的網大?。▎栴}或類別數量）的極限是多少？它如何取決于實現節(jié)點？另一個是這些存儲器的可循環(huán)性。雖然對于推理階段就足夠了，并且可以在初始化階段以可接受的開銷進行交叉開關的編程，但是由于過多的寫入負載，使用經典的反向傳播方案和迭代次數的片上學習是毫無疑問的。但是，正在探索使用其他學習方法的非常有前途的途徑，并有望在未來幾年內提供有效的解決方案。
在引入這種類型的電路之前，可以在常規(guī)實現中使用RRAM和3D集成等技術來以較小的功率預算和較小的尺寸系數提供解決方案。如今，用于高度定制化應用的FPGA實現，運行在MCU或CPU上的純軟件實現，或專用于GPU的高度并行多核/加速器（類似于或類似的GPU）用于更通用的應用，已成為當今的主流。所有這些都可以從本地非易失性存儲器中受益，這可以使FPGA變得更緊湊，為MCU / CPU和多核/加速器芯片提供更優(yōu)化的存儲器層次結構。