← 返回 JSSC 论文列表JSSC 2015第1期Other0.13µm
A 1 TOPSW Analog Deep Machine-Learning Engine With Floating-Gate Storage in 013
013微米CMOS工艺下实现的1 TOPS/W能效模拟深度学习引擎，支持在线无监督学习与非易失性存储。
0.13µm CMOS, 3V, 8300 vectors/s, 11.4µW, 1×10^12 ops/s/W
模拟计算深度学习浮栅存储能效优化特征提取
▸在线无监督学习能力：该方法创新性地实现了硬件层面的在线无监督学习，通过实时调整浮栅存储权重，无需外部干预即可完成特征提取，测量显示其处理速度达8300输入向量/秒，显著优于传统离线训练方案。
▸非易失性浮栅模拟存储：电路创新采用浮栅晶体管阵列存储权重，兼具模拟计算精度与Flash Memory的非易失特性，在0.13µm工艺下实现0.36mm²紧凑面积，解决了传统SRAM/DRAM的易失性问题。
▸算法级反馈提升鲁棒性：系统创新通过算法补偿电路非理想性（如工艺偏差/噪声），在保持1TOPS/W能效（11.4µW@3V）的同时，使8维特征提取准确率逼近浮点软件基准，显著提升模拟计算的可靠性。
▸并行电流模架构：采用可重构电流模计算阵列实现大规模并行运算，峰值能效达1×10¹² ops/W，较数字加速器提升2个数量级，为低功耗边缘AI提供新范式。
Abstract
An analog implementation of a deep machine-
learning system for ef ficient feature extraction is pr e s e n t e di nt h i s
work. It features online unsupervised trainability and non-volatile
floating-gate analog storage. It utilizes a massively parallel re-
configurable current-mode analog architectu re to realize ef ficient
computation, and leverages algorithm-level feedback to provide
robustness to circuit imperfections in analog signal processing. A
3-layer, 7-node analog deep machine-learn ing