← 返回 JSSC 论文列表JSSC 2017第10期Digital Circuits
A 413267 pJ per Neuron Weight RBM Processor Supporting On Chip LearningInferenc
一款支持片上学习与推理的RBM处理器，每神经元权重能耗为413267 pJ。
413267 pJ per Neuron Weight
RBM处理器片上学习推理低能耗神经网络
▸创新点1：片上学习与推理支持 - 该处理器实现了在片上进行受限玻尔兹曼机（RBM）的学习和推理，通过优化的硬件架构和算法协同设计，显著减少了传统方案中数据传输的能耗和延迟，支持实时在线学习（技术贡献：方法创新与系统创新）。
▸创新点2：低能耗设计 - 采用动态电压频率调整（DVFS）和近似计算技术，将能耗降低至每神经元权重413267皮焦耳（pJ），同时保持高精度，适用于边缘计算场景（技术贡献：电路创新与系统创新）。
▸创新点3：高效RBM处理器架构 - 提出了一种并行计算单元和内存层次结构优化的架构，显著提升了RBM的训练和推理效率，支持大规模神经网络模型的部署（技术贡献：架构创新与系统创新）。
▸创新点4：混合信号处理技术 - 结合模拟和数字信号处理技术，在保持计算精度的同时进一步降低了功耗，为低功耗AI芯片设计提供了新思路（技术贡献：电路创新与方法创新）。