广告

中科院微电子所在存内高维计算时空信号编码方面取得进展

时间:2024-02-17 09:03:36 作者:中科院微电子所 阅读:
高维计算(Hyperdimensional Computing)借鉴了大脑处理信息的方式,通过将原始数据映射到高维空间,利用超向量(hypervector)的分布式全息方式来表示数据……
广告

时空信号是指在特定时间窗口内(时间域)并包含有多个通道(空间域)的数据信息,如生物信号、气候信号、视频信号以及多模态的各种传感器信号等等。随着大数据、人工智能以及物联网技术的发展,越来越多的边缘智能设备得到普及。如何在边缘设备上实时处理、分析和解释时空信号已成为未来社会智能化发展的一项重要挑战。

高维计算(Hyperdimensional Computing)借鉴了大脑处理信息的方式,通过将原始数据映射到高维空间,利用超向量(hypervector)的分布式全息方式来表示数据,并通过绑定、捆绑和重排等轻量化操作来处理数据。因此,在处理复杂模式识别任务时具有高效性、鲁棒性和可扩展性优势。但由于高维计算是一种数据密集型计算,在传统计算架构中,数据需要在存储和计算单元之间频繁的搬运,导致较高的延迟和能耗,限制了其在资源有限的边缘端应用。

针对这一问题,中科院微电子所微电子器件与集成技术研发中心刘明院士团队的尚大山研究员与香港大学合作,基于阻变存储器(RRAM)的存内计算范式,开发了面向时空信号处理的存内高维计算编码技术。团队采用2T2R(两个晶体管与两个RRAM为一个单元)阵列作为存内高维计算的编码器,通过在编码器中原位执行绑定和捆绑操作,并通过设计简单的外围电路进行重排操作,实现了对时空信号的编码。该方法利用电阻分压原理映射超向量的元素,避免了矩阵—向量乘法过程中的阵列会聚电流过大的问题。此外,团队采用1T1R阵列作为关联记存储器。在训练阶段,每个类别编码后的超向量通过叠加构成该类的原型向量,并预先存储至关联记忆存储器中。在推理阶段,输入的时空信号首先被编码为查询超向量,然后以存内搜索的方式与关联记忆存储器中的类原型向量进行相似度计算。具有最大相似度的类即为预测结果。该设计在基于脑肌电信号的手势识别任务中实现了97.96%的识别率。40nm工艺节点仿真结果表明该设计具有高鲁棒、高通量、低延时等优势,同时计算能效相较于当前的已报道的高维计算编码器提升了39倍。这项研究结果为在资源有限的边缘系统实现对时空信号的实时处理提供了一种高效的解决方案。

该项研究得到了科技部、国家自然科学基金委、中科院的支持。成果近期发表在《IEEE电路与系统学报II:快报》期刊上(IEEE Transactions on Circuits and Systems II: Express Briefs, DOI: 10.1109/TCSII.2024.3352120),微电子所硕士研究生李志为文章的第一作者,微电子所尚大山研究员和香港大学王中锐博士为文章的通讯作者。

 文章链接:https://ieeexplore.ieee.org/document/10388038

 论文信息:

2T2R RRAM-based In-Memory Hyperdimensional Computing Encoder for Spatio-Temporal Signal Processing

Zhi Li, Rui Bao, Woyu Zhang, Fei Wang Jun Wang, Renrui Fang, Haoxiong Ren, Ning Lin, Jinshan Yue, Chunmeng Dou, Zhongrui Wang*, Dashan Shang*

IEEE Transactions on Circuits and Systems II: Express Briefs (TCAS-II)

DOI: 10.1109/TCSII.2024.3352120 (2023)

图1:存内高维计算编码器和关联记忆存储器工作原理示意图

图2:存内高维计算编码器工作流程、真值表和编码电路瞬态响应

本文为EET电子工程专辑 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
广告
热门推荐
广告
广告
广告
EE直播间
在线研讨会
广告
广告
广告
向右滑动:上一篇 向左滑动:下一篇 我知道了