基于模拟存内计算的低功耗推理系统设计与噪声容忍优化 .docxVIP

PAGE2

基于模拟存内计算的低功耗推理系统设计与噪声容忍优化

摘要

深度神经网络在图像识别、语音处理等领域的广泛应用，对计算平台的能效提出了严峻挑战。传统数字计算架构受限于“存储墙”与高精度转换开销，在边缘推理场景中功耗居高不下。本课题瞄准这一痛点，设计了一套基于模拟存内计算的低功耗推理系统。

系统的核心设计目标是在保证推理精度的前提下，最大程度降低系统功耗。为此，本课题创新性地提出了一种软硬件协同的噪声容忍优化策略。硬件层面，设计了一种基于交叉开关阵列的模拟计算单元，利用基尔霍夫定律在模拟域执行矩阵向量乘运算，从根源上消除了数据搬运功耗。软件层面，针对模拟域固有的器件波动、导线寄生效应等非理想噪声，设计了一种噪声感知的神经网络训练方法。通过在训练阶段注入建模噪声，使网络权重分布主动适应硬件特性，从而在推理时无需依赖高成本的校准电路即可保持高精度。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程逻辑展开。第一章分析低功耗推理的迫切需求；第二章论证模拟存内计算与噪声容忍技术的选型依据；第三章明确系统的功能与性能指标；第四章设计混合信号计算架构；第五章详细阐述噪声容忍训练算法与阵列映射流程；第六章搭建仿真平台实现系统；第七章通过功能与性能测试验证设计有效性。结果证明，本系统在CIFAR-10数据集上以4位模拟精度实现了92.5%的推理准确率，相较于同精度数字基线，能