《Advanced Electronic Materials》:Predictable and Scalable Analog Matrix–Vector Multiplication in Memristor Crossbars via Closed-Form Wire-Resistance Compensation
编辑推荐:
忆阻器交叉阵列中的线电阻会引入与几何位置相关的电压衰减,从而降低模拟矩阵-向量乘法(MVM)的精度;同时,随着阵列尺寸增大,寄生潜行路径会进一步扭曲输出电流。研究人员开发了一个闭式分布线阻模型,该模型同时考虑水平与垂直互连以及寄生传导的影响,给出了显式的节点电
忆阻器交叉阵列中的线电阻会引入与几何位置相关的电压衰减,从而降低模拟矩阵-向量乘法(MVM)的精度;同时,随着阵列尺寸增大,寄生潜行路径会进一步扭曲输出电流。研究人员开发了一个闭式分布线阻模型,该模型同时考虑水平与垂直互连以及寄生传导的影响,给出了显式的节点电压分布,并提供了互连损耗如何改变有效电导矩阵的紧凑解析描述。基于这一预测框架,计算过程保持全模拟,并引入了两种低开销校正策略:(1)直接从解析计算的线阻误差出发,对编程电导进行几何感知调整;(2)一种四配置对称平均方案,无需修改任何外围电路即可抑制残余空间非均匀性。在交叉阵列上的电路级与任务级评估表明,补偿后MVM误差保持有界且不再随阵列尺寸增大而增大,同时精度以每个基本阵列块四次MVM的恒定校正开销得以保持,并已在大至128×128的阵列上得到验证。通过固定问题类别,校正目标可解析计算并重复使用,用可预测的操作替代迭代调优,从而在规模上实现可靠的模拟存内计算。
忆阻器交叉阵列因其并行计算能力与数据存储优势,被视为加速线性代数运算的重要候选方案。矩阵-向量乘法(MVM,即矩阵向量乘)是机器学习、信号处理等领域的核心运算,在数字系统中复杂度为O(n2),而交叉阵列的固有并行性可将其有效延迟降为单个物理步骤。然而,实际交叉阵列中金属互连线的电阻会随阵列尺寸增大带来显著电压降,沿水平与垂直方向衰减施加电压,导致模拟MVM出现位置相关的系统误差;同时,未选中器件形成的寄生潜行路径(sneak path)也会进一步扭曲输出电流。已有补偿策略如数字校正需要预计算和修改输入信号,很大程度上抵消了模拟处理的效率优势。因此,需要一种能解析描述线阻影响并实现低开销补偿的方法。
研究人员开发了一个闭式分布线阻模型,同时考虑水平与垂直互连电阻及寄生传导,给出节点电压分布和有效电导矩阵的解析表达。在此基础上提出两种低开销校正策略:几何感知电导预补偿和四配置对称平均(四矩阵算法)。电路级和任务级评估表明,补偿后MVM误差不再随阵列尺寸增长,精度以恒定四次MVM开销保持,验证至128×128阵列。该工作将线阻从不可控寄生重新定义为可校准变换,为可预测、可扩展的模拟存内计算提供了途径。
主要关键技术方法包括:建立闭式分布线阻模型,通过求和矩阵L与差分矩阵V描述水平、垂直互连电阻对节点电压和电流的联合作用,导出有效电导矩阵的解析表达式;利用Woodbury恒等式对线阻误差展开,实现一阶几何感知电导预补偿;提出四矩阵算法,对原电导矩阵施加镜像、列反转等四种几何变换,将四次MVM输出重排、求和并归一化,抑制空间非均匀误差;采用IBM模拟硬件加速套件(AIHWKit)进行多层感知机(MLP)的MNIST推理评估,并在真实64×64忆阻器交叉条上执行离散傅里叶变换(DFT)硬件实验。
研究结果如下:
2.1 Wire Resistance Effects in Crossbar:通过推导包含线阻的电流方程,证明垂直和水平互连电阻分别导致列内电流衰减和行内电压递减,使有效电导矩阵发生位置相关畸变,误差随阵列维度增大。
2.2 Impact of Sneak Paths:通过比较上下端电压识别器件导通状态,发现反向电流即为潜行路径;针对给定问题类别,选择合适的输入电压范围和电导区间可避开潜行路径干扰。
2.3 Correction Strategies:利用Woodbury展开将线阻效应表示为一阶扰动,指出逐项预补偿适用于稀疏矩阵,而四矩阵算法利用几何变换平均,避免矩阵特定的重新计算。
2.4 Four-Matrix Algorithm:由原始矩阵及其镜像、列反转、镜像列反转构成四个配置,输出相加并除以依赖尺寸和电导区间的常数。与预补偿相比,峰值电导误差相近(预补偿3.42% vs 四矩阵3.88%),但计算开销从O(n?)降至固定置换。对64×64阵列,误差随尺寸增长的趋势被抑制。
2.5 Hardware-Based DFT Calculations:在真实64×64硬件上实现DFT,未补偿时输出误差随阵列尺寸增大;四矩阵补偿后列误差显著下降,频谱接近理想数字结果。
2.6 Multi-Layer Perceptron Results:基于AIHWKit的MLP在MNIST上比较三种模式,数字推理正确率81.01%,未补偿模拟仅15.83%,四矩阵补偿恢复至79.23%,接近数字水平,验证了多层级联中的误差抑制。
2.7 Hardware Cost and Accuracy Trade-Off:四次MVM使读能量约4倍增加,但延迟可经并行读出接近单次MVM;MNIST任务补偿后能耗仍比数字低约40倍;DFT归一化均方根误差(NRMSE,即normalized root mean square error)从17.51%降至2.50%,约7倍改善。
讨论部分指出,线阻误差可通过几何对称性系统抑制,DFT与MLP分别代表精密集线性代数与神经网络推理两个互补应用场景。该框架可扩展至更大阵列,例如通过分块方式处理128×128或更大尺寸,每次校正开销为4(n/b)2次MVM(其中b为已验证的基本块尺寸)。有效精度可通过选择电导区间和归一化因子进行控制,约10有效位需1024个离散电平,这与近期高精度编程技术兼容。此外,四矩阵算法对零均值随机噪声有一定平均抑制作用,而与设备漂移等器件级效应互补,可结合标定或硬件感知训练进一步处理。
研究结论翻译:这项工作表明,忆阻器交叉阵列中的线阻并不构成根本性的可扩展性障碍,而是一种结构性的、由几何位置决定的偏差,可以通过解析方法建模和补偿。通过推导水平与垂直互连电阻如何扭曲有效电导矩阵的闭式描述,研究人员证明了它们对模拟MVM的影响是可预测的,并且至关重要地是有界的。基于这一认识,研究人员引入了一种完全在模拟域内运行并保持完全并行性的校正策略。一阶几何感知电导调整捕获了主要的线阻效应,而四配置对称平均在不修改外围电路的情况下抑制了残余的位置相关误差。这些步骤共同抑制了误差随阵列尺寸的累积,并在现实的电导窗口内保持了稳定的精度。在本文评估的64×64阵列中,该校正使用四种几何配置实现,而更大的阵列可通过将阵列划分为独立校正的、已验证基本尺寸的块来处理。除了具体的校正方案,本研究的关键贡献是概念性的:它将线阻从一种不受控制的寄生效应重新定义为一个可校准的变换,其结构由阵列几何决定。一旦工作区域和电导范围被定义,校正参数可以解析计算并在多次运行和任务中重复使用,从而无需迭代、任务特定的校准。目前的分析仅限于线性区域内的准静态运行,并假设互连参数平滑变化。将该框架扩展到分布式RC效应、轻微器件非线性和大型弱非均匀阵列上的硬件在环校准是自然的下一步。然而,结果已经表明,只要互连物理被当作计算的一部分而不是事后的缺陷,大规模模拟线性代数就可以变得可预测、可重复使用和可扩展。