基于忆阻器的神经网络权重存储与向量矩阵乘法模拟.docxVIP

PAGE2

基于忆阻器的神经网络权重存储与向量矩阵乘法模拟

摘要

随着深度学习模型参数量的指数级增长，传统冯·诺依曼架构面临的“存储墙”与“功耗墙”瓶颈日益凸显。数据在存储器与处理器间的频繁搬运，导致系统能效比极低。忆阻器作为一种新型纳米级非易失性存储器件，其阻值可连续变化且具备记忆特性，天然契合神经网络的权重存储需求。

本课题旨在设计并实现基于忆阻器交叉阵列的存内计算系统，模拟神经网络的前向传播过程，最终完成图像识别任务。核心方案利用忆阻器阵列物理结构，将权重映射至器件电导，通过基尔霍夫定律在阵列中一步完成向量矩阵乘法（VMM），从根本上消除数据搬运开销。

论文各章体现工程递进思路：第一章分析存内计算需求痛点；第二章论证忆阻器模型与仿真平台选型；第三章细化系统功能与非功能指标；第四章规划三层系统架构与数据流转；第五章深入剖析阵列构建与VMM核心算法；第六章展示Python与SPICE联合仿真实现；第七章通过MNIST数据集验证识别精度与能效；第八章总结成果并展望硬件部署前景。

本设计的核心创新在于构建了“算法-电路-器件”协同仿真框架，并提出针对忆阻器非线性的区间截断映射补偿策略，在保证识别精度的同时，充分释放了存内计算的并行优势。

第一章绪论

1.1研究背景

近年来，以卷积神经网络为代表的深度学习技术在计算机视觉、自然语言处理等领域取得了突破性进展。然而，模型规模的急