自适应电导优化技术用于抑制交叉阵列中由导线电阻引起的错误

《Device》：Adaptive conductance optimization for suppressing wire-resistance-induced errors in crossbar arrays

　　

全貌

使用交叉开关阵列的内存计算在能源效率和计算吞吐量方面为人工智能（AI）加速带来了数量级的提升。然而，由于交叉开关中相连线路的电阻效应，部署并行矩阵计算仍然是一个巨大的挑战。这些电阻效应成为向量乘矩阵（VMM）操作精度的根本障碍，因为随着阵列规模的扩大，这最终限制了内存计算的可扩展性。在这里，我们提出了一种自适应导电性优化（ACO）方法，该方法提供了一个重新映射的设备导电性矩阵，并使交叉开关阵列的实际行为与目标计算行为保持一致，从而无论线路电阻和阵列大小如何，都能实现精确的VMM操作。通过ACO，我们还展示了高保真的图像重建和Swin Transformer模型的性能提升。这些结果表明，ACO是实现在交叉开关阵列上进行精确VMM操作的一个实用解决方案。

亮点

•

自适应导电性优化抑制了交叉开关中的IR降噪误差

•

在512 × 512的忆阻阵列上，VMM计算误差低于1%

•

该通用方法兼容多种内存计算平台

总结

基于交叉开关的模拟内存计算系统由于其先进的能源效率，是下一代人工智能（AI）硬件的有希望的候选者。然而，由于交叉开关中固有的线路电阻效应，部署矩阵计算仍然是一个巨大的挑战。这些电阻效应成为向量乘矩阵（VMM）操作精度的根本障碍，因为随着阵列规模的扩大，这最终限制了内存计算的可扩展性。在这里，我们提出了一种自适应导电性优化（ACO）方法，该方法通过迭代更新导电性矩阵来使实际硬件行为与目标计算行为保持一致。我们的实验结果表明，ACO方法可以显著减少不同阵列规模下的VMM操作误差，在512 × 512的忆阻交叉开关阵列上实现了低于1%的误差。此外，ACO还提高了JPEG图像重建的保真度，并增强了Swin Transformer模型的能源效率。这项工作为使用交叉开关阵列实现精确的VMM操作提供了实用的解决方案。

图形摘要