机构

Jiayoon Ru1

2 篇

ISSCC 2024Session 30AI / ML22nm
A 22nm 0.26nW/Synapse Spike-Driven Spiking Neural Network Processing Unit Using Time-Step-First Dataflow and Sparsity-Adaptive In-Memory Computing
Ying Liu*1, Yufei Ma*1, Ninghui Shang1, Tianhao Zhao2, Peiyu Chen1, Meng Wu1,
本文提出了一种基于22nm工艺的脉冲神经网络处理单元，采用时间步优先数据流和稀疏自适应技术，实现了每突触0.26nW的超低功耗。该设计针对动态视觉传感器等边缘AI应用，在保持高精度的同时大幅降低能耗。
▸提出时间步优先数据流架构，优化了SNN中时间维度的计算顺序，减少冗余操作。
▸引入稀疏自适应机制，动态利用脉冲稀疏性，进一步降低功耗和计算量。
Jiayoon Ru1, Tianyu Jia1, Le Ye1, Zhixuan Wang3, Ru Huang1 P 0.26nW/Synapse
ISSCC 2023Session 3Other22nm CMOS
A 0.954nW 32kHz Crystal Oscillator in 22nm CMOS with Gm-C-Based Current Injection Control
Yihan Zhang1, You You1, Wenjie Ren1, Xinhang Xu1, Linxiao Shen1,
该论文提出了一种工作在22nm CMOS工艺下的32kHz晶体振荡器，总功耗仅为0.954nW。通过采用基于Gm-C的电流注入控制技术，有效解决了传统脉冲注入晶体振荡器在超低功耗下的频率稳定性和启动问题。
▸提出Gm-C电流注入控制方法，实现亚纳瓦级功耗下精确的能量补充。
▸在22nm CMOS工艺中实现了0.954nW的超低功耗32kHz晶体振荡器。
Jiayoon Ru1, Ru Huang1, Le Ye1,2 Peking University, Beijing, 0.954nW功耗，32kHz频率