← 返回 JSSC 论文列表JSSC 2022第8期RF & Wireless65nm
A 65 nm Wireless Image SoC Supporting On-Chip DNN Optimization and Real-Time Com
65nm无线图像SoC支持片上DNN优化与实时计算通信权衡
65nm CMOS
边缘计算神经网络无线通信片上学习物联网
▸创新点1：近内存可重构神经网络图像处理器（系统创新） - 采用全数字近内存架构的神经网络图像处理器，支持可重构和可编程的神经网络计算，显著提升边缘设备的图像处理效率，实现1.05 TOPS/W的高能效比。
▸创新点2：数字自适应RF-DAC收发器（电路创新） - 设计了一种数字自适应RF-DAC收发器，能够根据信道条件动态调整信号参数，优化通信能耗和延迟，适用于资源受限的边缘设备。
▸创新点3：混合信号时间型AC神经控制器（方法创新） - 提出了一种基于混合信号时间型的演员-批评家（AC）神经控制器，支持计算内存（CIM）和原位权重更新，实现0.59 pJ/MAC和0.4 pJ/update的低功耗在线学习和自适应控制。
▸创新点4：实时计算-通信权衡架构（系统创新） - 提出了一种通用的计算-通信权衡架构，通过动态调整计算和通信资源分配，优化边缘设备的整体能效和延迟性能。
Abstract
The widespread proliferation of smart sensors has
led to hardware that enable edge intelligence (EI) with extreme
energy efficiencies. This decreases the volume of data that is
transmitted to the cloud, thus reducing: 1) processing latency;
2) communication energy; and 3) network congestion. However,
this comes with an added cost of computation at the edge
node. The cost (energy/latency) of edge computation and the
cost of communication to the cloud vary widely depending
on operating conditions,