硅片验证的存内计算二值卷积神经网络加速器CiC-BCNN：面向边缘端高效通用图像分类

《IEEE Transactions on Circuits and Systems for Artificial Intelligence》：CiC-BCNN: A 65 nm Compute-in-CAM-Based Binary CNN Accelerator for Image Classification

　　**摘要：**二值卷积神经网络（BCNNs）将权重和激活值约束为二值，为资源受限的传感和嵌入式平台上的高效推理提供了一种有前景的方法。然而，大多数现有的BCNN实现仍然依赖关键网络组件中的全精度计算，包括首个输入处理层和最终的输出分类层。这种依赖降低了二值化的收益，并使得在极端边缘系统中的部署变得更加复杂。本工作提出了CiC-BCNN，一种经过硅片验证的存内计算（PiM）加速器，它在内容寻址存储器（CAM）中实现二值卷积神经网络。所提出的架构利用CAM的固有操作，通过XNOR和模拟POPCOUNT来实现二值卷积和分类，从而消除了隐藏层和输出层中对全精度算术运算的需求。批归一化被直接融入CAM搜索过程中，通过为每个存储字附加阈值单元来实现，每个输出通道设一组；输出全连接层采用动态灵敏放大器评估时间扫描来确定预测类别，无需模数转换或时间数字转换。CiC-BCNN采用商用65nm CMOS工艺进行设计和流片，并在ImageNet大规模视觉识别挑战（ILSVRC）基准上进行了评估，该基准是标准的1000类图像分类任务。硅片测量结果表明，基础配置的前1准确率为58.88%（前5准确率为81.24%），峰值吞吐量为52.4 TOPs（二值运算），在90帧/秒的条件下，系统级能效约为433 TOPs/W，总硅面积为1.89mm2，证明了其适用于边缘端的高效通用图像分类。