利用硬件非理想特性构建在ACIM上的鲁棒低精度集成系统

器件变异在模拟计算内存（ACIM）系统中的利用策略。研究通过在ACIM芯片上部署两个4位深度神经网络副本，结合软投票机制提升预测可靠性。实验表明，当器件变异系数σ≥0.10时，4位集合模型性能超越8位单模型基准，最高提升1.28pp。硬件评估显示，采用SRAM架构的ACIM系统，双副本方案面积缩减9%，但延迟增加30%，能耗上升2.1%。研究证实该机制在不同存储器技术（RRAM/FeFET）下的有效性，揭示了器件变异与计算性能的动态平衡关系。

　　

摘要：

设备差异是模拟计算内存（ACIM）系统面临的一个根本性挑战。我们没有将其视为错误，而是将其战略性地利用为计算多样性的来源。我们通过在同一ACIM芯片上编程两个低精度深度神经网络（DNN）副本来利用这种由自然过程引起的差异。然后，通过一种软投票机制来汇总它们的输出，以获得更可靠的预测结果。为了量化系统级别的权衡，我们扩展了NeuroSim V1.4框架，以同时评估准确性、面积、延迟和能耗。在VGG-8/CIFAR-10数据集上，当导电率变化从0.05增加到0.25时，4位模型的集成精度相对于4位单一模型（SM）提高了0.46个百分点（pp）。值得注意的是，在σ为0.05时，集成模型的精度甚至超过了无差异基线0.303个百分点。与8位SM基线相比，当σ≥0.10时，4位模型的集成精度可以与其相当或更高，在σ为0.25时，精度提高了1.28个百分点。使用基于SRAM的ACIM架构进行的硬件评估表明，两个副本的集成模型芯片面积比8位基线小9.0%，但延迟增加了30%，能耗增加了2.1%。我们进一步观察到，在RRAM和FeFET基ACIM中，其准确性与其非理想特性之间存在一致的权衡关系。