加州大學(xué)等高校合作，開(kāi)發(fā)基于電阻隨機(jī)存取存儲(chǔ)器的內(nèi)存計(jì)算芯片

　　直接在邊緣設(shè)備上實(shí)現(xiàn)日益復(fù)雜的人工智能(AI)功能需要邊緣硬件前所未有的能源效率�；�于電阻式隨機(jī)存取存儲(chǔ)器(RRAM)的內(nèi)存中計(jì)算(CIM)有望通過(guò)在密集、模擬和非易失性 RRAM 設(shè)備中存儲(chǔ)AI模型權(quán)重，并直接在 RRAM 中執(zhí)行 AI 計(jì)算，從而消除獨(dú)立計(jì)算和內(nèi)存之間耗電的數(shù)據(jù)移動(dòng)，來(lái)滿足這種需求。

　　盡管最近的研究已經(jīng)證明了完全集成的 RRAM-CIM 硬件上的內(nèi)存矩陣向量乘法，但 RRAM-CIM 芯片的目標(biāo)仍然是同時(shí)提供高能效、支持各種模型的多功能性和軟件可比的精度。盡管效率、多功能性和準(zhǔn)確性對(duì)于廣泛采用該技術(shù)都是必不可少的，但它們之間相互關(guān)聯(lián)的權(quán)衡不能通過(guò)對(duì)設(shè)計(jì)的任何單一抽象級(jí)別的孤立改進(jìn)來(lái)解決。

　　在這里，通過(guò)對(duì)從算法和架構(gòu)到電路和設(shè)備的所有設(shè)計(jì)層次進(jìn)行共同優(yōu)化，來(lái)自斯坦福大學(xué)、加州大學(xué)、清華大學(xué)等高校的研究人員，介紹了 NeuRRAM——一種基于 RRAM 的 CIM 芯片，該芯片在為不同的模型架構(gòu)重新配置 CIM 核心方面同時(shí)提供了多功能性。

　　能效方面，在各種計(jì)算位精度上比當(dāng)前最先進(jìn)的 RRAM-CIM 芯片好 1 倍;推理精度可與在各種 AI 任務(wù)中量化為四位權(quán)重的軟件模型相媲美，包括 MNIST 的 99.0% 和 85.7% 的準(zhǔn)確度;在 CIFAR-10 圖像分類方面，Google 語(yǔ)音命令識(shí)別的準(zhǔn)確率為 84.7%，在貝葉斯圖像恢復(fù)任務(wù)中圖像重建錯(cuò)誤減少了 70%。

　　該研究以「A compute-in-memory chip based on resistive random-access memory」為題，于 2022 年 8 月 17 日發(fā)布在《Nature》。

　　電阻式隨機(jī)存取存儲(chǔ)器(RRAM)內(nèi)存計(jì)算(CIM)領(lǐng)域的早期研究側(cè)重于在制造的 RRAM 設(shè)備上展示人工智能(AI)功能，同時(shí)使用片外軟件和硬件來(lái)實(shí)現(xiàn)基本功能，例如，一個(gè)完整系統(tǒng)的模數(shù)轉(zhuǎn)換和神經(jīng)元激活。盡管這些研究提出了各種技術(shù)來(lái)減輕與模擬相關(guān)的硬件非理想性對(duì)推理準(zhǔn)確性的影響，但報(bào)告的 AI 基準(zhǔn)測(cè)試結(jié)果通常是通過(guò)基于特征設(shè)備數(shù)據(jù)執(zhí)行軟件仿真獲得的。由于硬件非理想模型的不完整建模，與完全硬件測(cè)量的結(jié)果相比，這種方法通常會(huì)高估準(zhǔn)確度。

　　最近的研究表明，完全集成的 RRAM 互補(bǔ)金屬氧化物半導(dǎo)體(CMOS)芯片能夠執(zhí)行內(nèi)存中矩陣向量乘法(MVM)。然而，要在實(shí)際 AI 應(yīng)用中廣泛采用 RRAM-CIM 芯片，它需要同時(shí)提供高能效、支持各種 AI 模型架構(gòu)的靈活性和軟件可比的推理精度。

　　到目前為止，還沒(méi)有一項(xiàng)旨在同時(shí)改進(jìn)設(shè)計(jì)的所有這三個(gè)方面的研究。此外，先前研究中的人工智能應(yīng)用級(jí)基準(zhǔn)測(cè)試的多樣性和復(fù)雜性有限。這些研究都沒(méi)有通過(guò)實(shí)驗(yàn)測(cè)量多個(gè)邊緣 AI 應(yīng)用程序，其復(fù)雜性與 MLPerf Tiny 中的應(yīng)用程序相匹配，MLPerf Tiny 是邊緣 AI 硬件的常用基準(zhǔn)套件。

　　挑戰(zhàn)來(lái)自效率、靈活性和準(zhǔn)確性之間相互關(guān)聯(lián)的權(quán)衡。RRAM-CIM 架構(gòu)中的高度并行模擬計(jì)算帶來(lái)了卓越的效率，但難以實(shí)現(xiàn)與數(shù)字電路相同水平的功能靈活性和計(jì)算精度。同時(shí)，由于在邊緣使用較少的過(guò)度參數(shù)化模型，對(duì)于更復(fù)雜的 AI 任務(wù)，實(shí)現(xiàn)對(duì)硬件非理想的算法彈性變得更加困難。

　　為了應(yīng)對(duì)這些挑戰(zhàn)，來(lái)自斯坦福大學(xué)、加州大學(xué)、清華大學(xué)、圣母大學(xué)等高校的國(guó)際團(tuán)隊(duì)開(kāi)發(fā)了 NeuRRAM，這是一種 48 核 RRAM-CIM 硬件，涵蓋了整個(gè)設(shè)計(jì)堆棧的創(chuàng)新。

　　圖示：NeuRRAM 芯片的設(shè)計(jì)方法和主要意義。(來(lái)源：論文)

　　(1)在器件層面，3 百萬(wàn)個(gè)具有高模擬可編程性的 RRAM 器件與 CMOS 電路單片集成。

　　(2)在電路層面，電壓模式神經(jīng)元電路支持可變計(jì)算位精度和激活函數(shù)，同時(shí)以低功耗和緊湊的面積進(jìn)行模數(shù)轉(zhuǎn)換。

　　(3)在架構(gòu)層面，雙向轉(zhuǎn)座神經(jīng)突觸陣列(TNSA)架構(gòu)能夠以最小的面積和能量開(kāi)銷實(shí)現(xiàn)數(shù)據(jù)流方向的可重構(gòu)性。

　　(4)在系統(tǒng)層面，48 個(gè) CIM 核心可以并行進(jìn)行推理，支持多種權(quán)重映射策略。

　　(5)在算法層面，各種硬件算法協(xié)同優(yōu)化技術(shù)減輕了硬件非理想對(duì)推理精度的影響。

　　該團(tuán)隊(duì)報(bào)告了一系列 AI 任務(wù)的完全硬件測(cè)量推理結(jié)果，包括使用 CIFAR-10 和 MNIST 數(shù)據(jù)集的圖像分類、Google 語(yǔ)音命令識(shí)別和 MNIST 圖像恢復(fù)，使用包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)在內(nèi)的各種 AI 模型實(shí)現(xiàn)，長(zhǎng)短期記憶(LSTM)和概率圖形模型。該芯片經(jīng)過(guò)測(cè)量可實(shí)現(xiàn)比以前最先進(jìn)的 RRAM-CIM 芯片更低的能量延遲積(EDP)，同時(shí)它在一系列配置上運(yùn)行以適應(yīng)各種 AI 基準(zhǔn)應(yīng)用程序。

　　圖示：NeuRRAM 芯片的可重構(gòu)架構(gòu)。(來(lái)源：論文)

　　通過(guò)降低邊緣 AI 推理所需的功耗，這款 NeuRRAM 芯片可以帶來(lái)更強(qiáng)大、更智能、更易于訪問(wèn)的邊緣設(shè)備和更智能的制造。它還可以帶來(lái)更好的數(shù)據(jù)隱私，因?yàn)閷��?shù)據(jù)從設(shè)備傳輸?shù)皆茣?huì)帶來(lái)更高的安全風(fēng)險(xiǎn)。

　　在 AI 芯片上，將數(shù)據(jù)從內(nèi)存轉(zhuǎn)移到計(jì)算單元是一大瓶頸。

　　「這相當(dāng)于每天兩個(gè)小時(shí)的通勤時(shí)間為八小時(shí)�！乖撗芯康牡谝蛔髡� Weier Wan 解釋說(shuō)。

　　為了解決這個(gè)數(shù)據(jù)傳輸問(wèn)題，研究人員使用了所謂的電阻式隨機(jī)存取存儲(chǔ)器，這是一種非易失性存儲(chǔ)器，允許直接在存儲(chǔ)器內(nèi)而不是在單獨(dú)的計(jì)算單元中進(jìn)行計(jì)算。使用 RRAM 芯片進(jìn)行計(jì)算不一定是新事物，但通常會(huì)導(dǎo)致在芯片上執(zhí)行的計(jì)算的準(zhǔn)確性降低，并且芯片架構(gòu)缺乏靈活性。

　　「自 30 多年前引入內(nèi)存計(jì)算以來(lái)，它一直是神經(jīng)形態(tài)工程中的常見(jiàn)做法�！辜又荽髮W(xué)教授，該研究的主要參與者 Gert Cauwenberghs 說(shuō)，「NeuRRAM 的新特點(diǎn)是，現(xiàn)在極高的效率與各種 AI 應(yīng)用的極大靈活性相結(jié)合，與標(biāo)準(zhǔn)數(shù)字通用計(jì)算平臺(tái)相比，準(zhǔn)確性幾乎沒(méi)有損失�！�

　　精心設(shè)計(jì)的方法是跨硬件和軟件抽象層進(jìn)行多層次「協(xié)同優(yōu)化」的關(guān)鍵，從芯片的設(shè)計(jì)到運(yùn)行各種 AI 任務(wù)的配置。此外，該團(tuán)隊(duì)確�？紤]到從存儲(chǔ)設(shè)備物理到電路和網(wǎng)絡(luò)架構(gòu)的各種限制。

　　「這款芯片現(xiàn)在為我們提供了一個(gè)平臺(tái)，可以解決從設(shè)備和電路到算法的堆棧問(wèn)題�！故ツ复髮W(xué)計(jì)算機(jī)科學(xué)與工程助理教授 Siddharth Joshi 說(shuō)。

　　芯片性能

　　研究人員通過(guò)一種稱為能量延遲積或 EDP 的方法來(lái)測(cè)量芯片的能量效率。EDP 結(jié)合了每次操作消耗的能量和完成操作所需的時(shí)間。通過(guò)這一措施，與最先進(jìn)的芯片相比，NeuRRAM 芯片的 EDP 低 1.6 到 2.3 倍(越低越好)，計(jì)算密度高 7 到 13 倍。

　　研究人員在芯片上運(yùn)行各種 AI 任務(wù)。它在手寫數(shù)字識(shí)別任務(wù)上達(dá)到了 99% 的準(zhǔn)確率;圖像分類任務(wù)準(zhǔn)確率達(dá) 85.7%;谷歌語(yǔ)音命令識(shí)別任務(wù)準(zhǔn)確率達(dá) 84.7%。此外，該芯片還在圖像恢復(fù)任務(wù)中實(shí)現(xiàn)了 70% 的圖像重建誤差降低。這些結(jié)果可與現(xiàn)有的數(shù)字芯片相媲美，這些芯片在相同的位精度下執(zhí)行計(jì)算，但大大節(jié)省了能源。

　　研究人員指出，該研究的一個(gè)關(guān)鍵貢獻(xiàn)是所有特色結(jié)果都是直接在硬件上獲得的。在之前的許多內(nèi)存計(jì)算芯片工作中，AI 基準(zhǔn)測(cè)試結(jié)果通常部分通過(guò)軟件模擬獲得。

　　下一步包括改進(jìn)架構(gòu)和電路，并將設(shè)計(jì)擴(kuò)展到更先進(jìn)的技術(shù)節(jié)點(diǎn)。研究人員還計(jì)劃解決其他應(yīng)用，例如脈沖神經(jīng)網(wǎng)絡(luò)。

　　圖示：具有多位輸入和輸出的電壓模式 MVM。(來(lái)源：論文)

　　新架構(gòu)

　　NeuRRAM 能源效率的關(guān)鍵是一種創(chuàng)新的方法來(lái)檢測(cè)內(nèi)存中的輸出。傳統(tǒng)方法使用電壓作為輸入并測(cè)量電流作為結(jié)果。但這導(dǎo)致需要更復(fù)雜和更耗電的電路。在 NeuRRAM 中，該團(tuán)隊(duì)設(shè)計(jì)了一種神經(jīng)元電路，可以感應(yīng)電壓并以節(jié)能的方式執(zhí)行模數(shù)轉(zhuǎn)換。這種電壓模式感測(cè)可以在單個(gè)計(jì)算周期內(nèi)激活 RRAM 陣列的所有行和所有列，從而實(shí)現(xiàn)更高的并行度。

　　圖示：提高 NeuRRAM 推理精度的硬件算法協(xié)同優(yōu)化技術(shù)。(來(lái)源：論文)

　　在 NeuRRAM 架構(gòu)中，CMOS 神經(jīng)元電路與 RRAM 權(quán)重物理交錯(cuò)。它不同于傳統(tǒng)設(shè)計(jì)，其中 CMOS 電路通常位于 RRAM 重量的外圍。神經(jīng)元與 RRAM 陣列的連接可以配置為作為神經(jīng)元的輸入或輸出。這允許在各種數(shù)據(jù)流方向上進(jìn)行神經(jīng)網(wǎng)絡(luò)推理，而不會(huì)產(chǎn)生面積或功耗方面的開(kāi)銷。同時(shí)，反過(guò)來(lái)又使架構(gòu)更易于重新配置。

　　為了確保人工智能計(jì)算的準(zhǔn)確性可以在各種神經(jīng)網(wǎng)絡(luò)架構(gòu)中保持不變，研究人員開(kāi)發(fā)了一套硬件算法協(xié)同優(yōu)化技術(shù)。這些技術(shù)在各種神經(jīng)網(wǎng)絡(luò)上得到了驗(yàn)證，包括卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶和受限玻爾茲曼機(jī)。

　　圖示：測(cè)量結(jié)果顯示了硬件算法協(xié)同優(yōu)化技術(shù)的有效性。(來(lái)源：論文)

　　作為神經(jīng)形態(tài)的 AI 芯片，NeuroRRAM 跨 48 個(gè)神經(jīng)突觸核心執(zhí)行并行分布式處理。為了同時(shí)實(shí)現(xiàn)高通用性和高效率，NeuRRAM 通過(guò)將神經(jīng)網(wǎng)絡(luò)模型中的一層映射到多個(gè)核上以對(duì)多個(gè)數(shù)據(jù)進(jìn)行并行推理，從而支持?jǐn)?shù)據(jù)并行。此外，NeuRRAM 通過(guò)將模型的不同層映射到不同的內(nèi)核并以流水線方式執(zhí)行推理來(lái)提供模型并行性。

　　論文鏈接：https://www.nature.com/articles/s41586-022-04992-8

　　相關(guān)報(bào)道：https://techxplore.com/news/2022-08-neuromorphic-chip-ai-edge-small.html