본 연구는 에지 AI (edge-AI) 추론을 위해 컴팩트한 3T1R ReRAM 비트셀 (bitcell)을 기반으로 하는 16 Kb 에너지 및 자원 효율적인 디지털 컴퓨트 인 메모리 (DCIM) 매크로인 E-ReCON을 제시합니다. 제안된 비트셀은 단 0.85 $\mu\text{m}^2$의 면적을 차지하며, 기존의 합성곱 신경망 (CNN) 및 스파이킹 신경망 (SNN) 워크로드 모두에 대해 신뢰할 수 있는 AND 기반 인 메모리 곱셈을 지원합니다. 누적 오버헤드 (accumulation overhead)를 줄이기 위해 새로운 인터리브형 (interleaved) 10T/28T 가산기 트리 (adder tree)가 도입되었으며, 이는 기존의 28T RCA 기반 설계와 비교하여 트랜지스터 수를 37%, 전력 소비를 28% 각각 감소시킵니다. 1.2 V의 65 nm CMOS 공정으로 구현된 제안된 매크로는 최소 0.48 ns의 지연 시간 (latency), 2.31-3.1 TOPS의 처리량 (throughput), 그리고 최대 419 TOPS/W의 에너지 효율을 달성합니다. LeNet-5, AlexNet, CNN-8 모델을 통해 평가했을 때, 이 매크로는 MNIST/A-Z, CIFAR10, SVHN 데이터셋에서 각각 97.81%, 93.23%, 96.51%의 정확도를 달성합니다. 또한, 40% 프루닝 (pruning)을 적용했을 때 MAC 연산과 계산 사이클을 줄이면서도 원래 정확도의 거의 99.8%를 보존합니다. SNN 지향적 워크로드의 경우, 제안된 AND 타입 비트셀은 낮은 스위칭 활동 (switching activity)으로 스파이크-가중치 곱셈 (spike-weight multiplication)을 효율적으로 지원하며, 2A2W 구성은 CIFAR-10, CIFAR-100, ImageNet-1K 데이터셋의 VGG-8, VGG-16, ResNet-18 네트워크에서 FP32 베이스라인에 근접한 정확도를 달성합니다. 기존의 ADC 기반 ReRAM-CIM 설계와 비교하여, 제안된 아키텍처는 완전한 PVT 및 ReRAM 변동성 (variability) 하에서도 견고한 동작을 유지하면서 지연 시간과 에너지 효율을 거의 30-40% 개선합니다. 종합적으로, E-ReCON은 차세대 에지 AI, IoT, 생체 의학 센싱 및 뉴로모픽 (neuromorphic) 애플리케이션을 위한 확장 가능하고 저지연이며 에너지 효율적인 nvCIM 플랫폼을 제공합니다.