ترجمه فارسی مقاله ارزیابی مقایسه‌ای فناوری‌های حافظه برای آرایه‌های سیناپسی Crossbar – بخش 2: دستگیره‌های طراحی و روندهای دقت DNN

چکیده

Crossbar memory arrays have been touted as the workhorse of in-memory computing (IMC)-based acceleration of Deep Neural Networks (DNNs), but the associated hardware non-idealities limit their efficacy. To address this, cross-layer design solutions that reduce the impact of hardware non-idealities on DNN accuracy are needed. In Part 1 of this paper, we established the co-optimization strategies for various memory technologies and their crossbar arrays, and conducted a comparative technology evaluation in the context of IMC robustness. In this part, we analyze various design knobs such as array size and bit-slice (number of bits per device) and their impact on the performance of 8T SRAM, ferroelectric transistor (FeFET), Resistive RAM (ReRAM) and spin-orbit-torque magnetic RAM (SOT-MRAM) in the context of inference accuracy at 7nm technology node. Further, we study the effect of circuit design solutions such as Partial Wordline Activation (PWA) and custom ADC reference levels that reduce the hardware non-idealities and comparatively analyze the response of each technology to such accuracy enhancing techniques. Our results on ResNet-20 (with CIFAR-10) show that PWA increases accuracy by up to 32.56% while custom ADC reference levels yield up to 31.62% accuracy enhancement. We observe that compared to the other technologies, FeFET, by virtue of its small layout height and high distinguishability of its memory states, is best suited for large arrays. For higher bit-slices and a more complex dataset (ResNet-50 with Cifar-100) we found that ReRAM matches the performance of FeFET.

چکیده به فارسی (ترجمه ماشینی)

آرایه های حافظه Crossbar به عنوان کارگاه کاری محاسبات در حافظه (IMC) مبتنی بر شتاب مبتنی بر شبکه های عصبی عمیق (DNN) مورد توجه قرار گرفته است ، اما سخت افزار مرتبط با آن ، اثربخشی آنها را محدود می کند.برای پرداختن به این موضوع ، راه حل های طراحی لایه متقاطع که باعث کاهش تأثیر عدم تحقق سخت افزار بر دقت DNN می شود.در قسمت اول این مقاله ، ما استراتژی های بهینه سازی تعاونی را برای فن آوری های مختلف حافظه و آرایه های Crossbar آنها ایجاد کردیم و یک ارزیابی فناوری مقایسه ای را در زمینه استحکام IMC انجام دادیم.در این قسمت ، ما دستگیره های مختلف طراحی مانند اندازه آرایه و برش بیت (تعداد بیت در هر دستگاه) و تأثیر آنها بر عملکرد SRAM 8T ، ترانزیستور فروالکتریک (FEFET) ، RAM مقاومت (RERAM) و اسپین-مدور را تجزیه و تحلیل می کنیم.رم مغناطیسی گشتاور (SOT-MRAM) در زمینه دقت استنتاج در گره فناوری 7 نانومتری.علاوه بر این ، ما تأثیر راه حل های طراحی مدار مانند فعال سازی جزئی Wordline (PWA) و سطح مرجع ADC سفارشی را که باعث کاهش غیر عقاید سخت افزاری می شود و به طور مقایسه ای پاسخ هر فناوری به چنین تکنیک های تقویت کننده دقت را بررسی می کنیم.نتایج ما در مورد RESNET-20 (با CIFAR-10) نشان می دهد که PWA دقت را تا 32.56 ٪ افزایش می دهد در حالی که سطح مرجع ADC سفارشی تا 31.62 ٪ افزایش دقت دارد.ما مشاهده می کنیم که در مقایسه با سایر فن آوری ها ، FEFET به دلیل ارتفاع طرح کوچک آن و تمایز زیاد حالتهای حافظه آن ، برای آرایه های بزرگ مناسب است.برای برش های بیت بالاتر و مجموعه داده پیچیده تری (RESNET-50 با CIFAR-100) دریافتیم که RERAM با عملکرد FEFET مطابقت دارد.