忆阻器在卷积神经网络中的近似计算优化研究.pdfVIP

忆阻器在卷积神经网络中的近似计算优化研究

宋莉

（兰州文理学院，兰州730000）

摘要：研究了忆阻器在卷积神经网络（CNN）中的近似计算优化，旨在降低计算复杂度和能耗。通

过设计基于忆阻器的存算一体化架构，提出了卷积层中乘加运算的优化方法，利用忆阻器的非易失性

和多态电导特性，实现了对卷积核权重的近似存储和计算。针对忆阻器的非理想性，例如，非线性和

器件变异性问题，提出了相应的补偿算法，以保证计算精度。实验基于32×32忆阻器阵列对比传统

GPU浮点运算的CNN，结果表明了忆阻器优化后的CNN在能耗和运算速度上分别提升约5倍和2.67

倍，且精度损失控制在0.8%以内，验证了忆阻器在神经网络加速中的可行性与有效性。

关键词：忆阻器；卷积神经网络；算法优化

[3]

1概述电流的并行累加过程。具体而言，每个忆阻器单元可

现阶段，深度学习在图像识别、自然语言处理等领用于存储卷积核权重，通过调节单元电导来实现乘法操

域的应用十分广泛，CNN成为关键算法。然而，CNN作，而输入电压则代表输入特征图。多个忆阻器单元在

的高计算复杂度和功耗限制了其在资源受限环境中的应阵列中共同工作，通过电流的自然累加完成乘加计算，

用。在传统基于冯·诺依曼架构的计算模式中，数据频从而显著提升计算并行度。相比于传统数字乘加计算，

繁传输导致能效低下。忆阻器作为一种新型的存算一体忆阻器阵列在计算效率方面得益于其低功耗及大规模并

化器件，其非易失性、低功耗和高并行计算能力为优化行处理能力，极大减少了卷积操作的能耗与延迟。特别

[1]是在大规模卷积层中，忆阻器阵列的高密度结构和非易

CNN计算提供了新的途径。研究探讨了忆阻器在CNN

中的应用，设计了基于忆阻器的近似计算模型，并通过失性存储特性有效避免了内存访问的瓶颈。此外，忆阻

实验验证了其在提升计算效率和降低能耗方面的潜力。器的多态存储特性可以支持不同的权值精度，这为CNN

2忆阻器在近似计算中的潜力中的近似计算提供了更加灵活的解决方案，能够在性能

忆阻器在近似计算中的潜力主要体现为其低功耗、与精度之间实现动态权衡，进一步优化计算复杂度与资

高并行性及存算一体化特性。忆阻器的非易失性使其能源使用率。

够在功耗极低的情况下存储CNN权重，避免了数据频3.2基于忆阻器的近似计算模型

繁传输所带来的能耗瓶颈，其非线性电导变化特性可以基于忆阻器的近似计算模型在CNN中主要通过忆

通过模拟多态电阻状态实现权重的近似存储，从而在硬阻器的非易失性存储和乘加计算优化卷积操作，核心思

件层面支持对CNN权值的量化计算，在大幅降低计算想是在保证计算精度的前提下，利用忆阻器的特性降低

精度要求的同时，保持足够的模型性能。忆阻器阵列在计算复杂度和能耗。在该模型中，卷积层的权重矩阵以

卷积运算中的并行计算优势尤为显著，多个忆阻器单元多态方式存储在忆阻器阵列中，而权重值通过忆阻器的

能够同时进行乘加操作，通过模拟电流的累加实现卷积电导状态来表示。输入数据被映射为电压信号加载到忆

计算的硬件加速，运算速度和能效比相较传统架构显著阻器的输入端，忆阻器单元的电导变化与输入电压信号

[4]

提升。此外，忆阻器的存算一体化特性消除了传统计算