JSSC 2023第10期Data Converters28nmCIM

Neuro-CIM ADC-Less Neuromorphic Computing-in-Memory Processor With Operation Gat

提出了一种高效能神经形态内存计算处理器，支持脉冲神经网络，显著降低功耗和面积。

28nm CMOS, 2.9mm² die area, 0.72µJ/classification, 92.1% accuracy (CIFAR-10)

神经形态计算内存计算脉冲神经网络低功耗高能效

▸创新点1：支持脉冲神经网络（SNN）消除功耗和面积开销。通过采用SNN架构，Neuro-CIM处理器避免了传统CIM处理器中复杂的权重存储和计算单元，显著降低了功耗和面积开销，特别是在8位和4位权重条件下分别实现了38%和25%的功耗降低。

▸创新点2：用1位比较器替代高精度ADC。通过利用SNN的特性，Neuro-CIM处理器将高精度ADC替换为1位比较器，这不仅简化了电路设计，还大幅提升了功耗和面积的效率，进一步优化了处理器的整体性能。

▸创新点3：早期停止方案减少31%功耗。通过引入早期停止机制，Neuro-CIM处理器能够在神经元操作完成之前终止不必要的计算，从而显著降低了功耗，这一方案在实际应用中实现了31%的功耗节省。

▸创新点4：模拟和数字网络集成提升可重构性和能效。Neuro-CIM处理器通过集成模拟和数字网络，实现了高可重构性和能效。模拟网络中的电压折叠电路扩展了动态范围而不影响电压分辨率，而数字网络则支持输入输出通道扩展和输入数据重用，减少了输入内存访问，进一步提升了系统效率。

Abstract

A highly energy-efficient neuromorphic computing-in-memory (Neuro-CIM) processor is proposed for ultralow-power deep learning applications. Neuro-CIM can support spiking neural network (SNN) to eliminate the power and area overhead of previous CIM processor. The sign extended bits gating reduces the bitline (BL) voltage switching rate due to negative small-magnitude weights allowing 38% power reduction at 8-b weight condition and 25% at 4-b weight condition. In addition, Neuro-CIM replaces high-