N-ary 크로스바 아키텍처에서의 멀티비트 신경 추론
요약
본 논문은 메모리 내 컴퓨팅(IMC)을 활용하여 에너지 효율적인 신경망 추론을 수행하는 N-ary 크로스바 아키텍처를 위한 시뮬레이션 프레임워크를 제시합니다. (4x4) 4 상태 자기 터널 접합(MTJ) 크로스바 어레이를 사용하여 XOR 및 MNIST 분류 작업에 성공적으로 추론을 수행했으며, 소프트웨어 기준선 대비 높은 성능을 달성했습니다. 연구진은 가중치 양자화를 주요 오차 원인으로 분석하고, 랜덤 노이즈와 체계적 비이상성의 영향을 연구하여 총 MVM 오차를 최소화하는 최적의 셀당 상태 수를 도출했습니다.
핵심 포인트
- N-ary 크로스바 아키텍처는 IMC를 통해 에너지 효율적인 신경망 추론을 가능하게 합니다.
- 4상태 MTJ 크로스바 어레이 시뮬레이션을 통해 MNIST 분류에서 94.48%의 정확도를 달성했습니다.
- 가중치 양자화 오차를 주요 성능 저하 원인으로 식별하고 그 영향을 분석했습니다.
- 셀별 랜덤 노이즈는 체계적 비이상성보다 영향이 적으며, 최적의 셀당 상태 수 설정을 제안합니다.
메모리 내 컴퓨팅 (IMC) 은 메모리 크로스바 어레이에서 아날로그 행렬 - 벡터 곱셈 (MVM) 을 수행함으로써 에너지 효율적인 신경망 추론을 가능하게 합니다. 본 논문에서는 구현 가정을 최소화하면서 MVM 결과를 회수하는 N-ary 크로스바 아키텍처를 위한 시뮬레이션 프레임워크를 제시합니다. 시뮬레이션된 (4x4) 4 상태 자기 터널 접합 (MTJ) 크로스바 어레이를 사용하여 XOR 및 MNIST 분류 작업에 성공적으로 추론을 수행했습니다. MNIST 정확도는 94.48% 로 달성되었으며 (소프트웨어 기준선은 97.56%), PCA 차원 축소를 통해 소프트웨어 - 하드웨어 성능 간격이 더욱 축소되었습니다. 우리는 가중치 양자화를 주요 오차 원인으로 확인하고, 체계적 비이상성과 랜덤 노이즈와 함께 그 영향을 연구했습니다. 우리는 셀별 랜덤 노이즈가 어레이 전체에 대한 평균화로 인해 체계적 오차보다 덜 해롭다는 것을 발견했습니다. 마지막으로, 총 MVM 오차를 최소화하기 위해 양자화 오차와 저항 상태 해상도 간의 균형을 맞추는 최적의 셀당 상태 수를 증명합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기