ApproxiMorph：一种能效高效的类脑系统，通过分层近似实现脉冲神经网络的功能，并采用三维堆叠的SRAM（静态随机存取存储器）

《IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems》：ApproxiMorph: Energy-Efficient Neuromorphic System With Layer-Wise Approximation of Spiking Neural Networks and 3-D-Stacked SRAM

提出ApproxiMorph软硬件协同框架，利用3D-IC并行互连和SNN抗噪特性，通过近似神经元、启发式层次优化、低电压3D-SRAM及权重调优，在MNIST和CIFAR-10上实现28.06%和29.16%功耗节省，准确率影响小或提升。

　　

摘要：

本文提出了ApproxiMorph，这是一个用于软件和硬件协同设计的综合性框架，旨在利用基于3D集成电路（3-D-IC）的神经形态系统实现能效高效的人工智能（AI）应用。通过利用3D-IC所具备的并行互连和高带宽通信特性，以及脉冲神经网络（SNN）的抗噪声能力，ApproxiMorph通过以下方式实现了显著的功耗降低：1）对神经元单元进行近似实现；2）通过启发式搜索算法对SNN进行分层近似；3）在3D堆叠的SRAM中采用较低电压运行；4）引入权重调整机制。因此，在寻找能量最优的分层近似方案时，ApproxiMorph仅探索了所有可能组合的0.44%–0.67%，从而在MNIST数据集上的加法运算中实现了28.06%的功耗节省，同时精度损失仅为0.60%。在CIFAR-10数据集的VGG16模型中，ApproxiMorph从超过17亿种可能的解决方案中仅搜索了约103种组合，最终实现了29.16%的功耗节省，并且精度略有提升。此外，综合运用这些方法不仅提高了近似实现的精度，还展现了比精确实现更强的抗误差能力。