in memory computing
در نشریات گروه فنی و مهندسی-
در این مقاله یک سلول حافظه دسترسی تصادفی ایستا (SRAM) جدید 9 ترانزیستوری ارائه شده است. در این سلول حافظه، با جداسازی فرآیندهای خواندن از نوشتن، تقابل ذاتی بین این دو فرآیند که در ساختارهای مرسوم وجود دارد، حل شده است. سلول پیشنهادی توانایی اجرای محاسبات در حافظه را دارا است. برای افزایش حاشیه نویز نوشتن در ساختار پیشنهادی، از شیوه شناورسازی گره داده استفاده شده است. این امر سبب جلوگیری از تقابل ترانزیستورها هنگام نوشتن داده در سلول می شود. همچنین، به منظور حل مشکل نوشتن ناخواسته در سلول های نیمه انتخابی، سیگنال بندی سطری و ستونی در طرح پیشنهادی در نظر گرفته شده است. برای ارزیابی کاربردی عملکرد سلول پیشنهادی، ساختار شبکه عصبی LeNet-5 دودویی شده با بهره گیری از قابلیت محاسباتی سلول SRAM پیشنهادی شبیه سازی شده است. در این راستا، با بهره گیری از امکان محاسبه منطق های AND/NAND و OR/NOR و ترکیب آن ها برای اجرای گیت XNOR در ساختار پیشنهادی، لایه های متفاوت شبکه LeNet-5 پس از شبیه سازی در سطح مداری، به طور کامل به یکدیگر متصل می شوند و ساختار اجرا می شود. نتایج نشان می دهد میزان انرژی مصرفی ساختار پیشنهادی در مقایسه با ساختارهای مقایسه شده تا 46 درصد کمتر است.
کلید واژگان: سلول حافظه SRAM، شبکه عصبی، محاسبه در حافظه، انرژی مصرفیThis paper proposed a novel 9T SRAM cell. The key idea is to separate the write and read operations, resolving the inherent conflict in conventional cells like 6T SRAM cells. Moreover, this cell is capable of performing in-memory computation as well. In this design, the data node is floated during the write operation to improve the write margin, ensuring a non-conflicting write operation within the cell. Moreover, to overcome the half-select issue, the design employs both row-based and column-based signaling. The performance of the proposed cell in an actual application is evaluated by simulating the LeNet-5 neural network structure. Based on the computational capabilities of the proposed cell, based on the in-memory AND/NAND and OR/NOR Boolean logic functions and the combination of them to perform XNOR logic, the layers of the binarized LeNet-5 network are implemented after circuit-level simulation. The results demonstrate that the energy consumption of the proposed cell is significantly reduced by up to 46% compared to other existing structures.
Keywords: SRAM Cell, Neural Network, In-Memory Computing, Energy Consumption -
با توجه به رشد سریع و همه جانبه زندگی بشری و وابستگی بیش از پیش آن به فناوریهای دیجیتال، نیاز ما به انجام رایانشهای فوق سریع روز به روز در حال افزایش است. تاکنون عمده پاسخگویی به نیازهای رایانش فوق سریع در دنیا مبتنی بر فناوریهای متعارف سیلیکونی بوده است، این در حالی است که با توجه به پیش بینی گوردون مور، پایان عصر فناوریهای مبتنی بر سیلیکون)عصر مور(نزدیک است. این واقعیت دانشمندان را به سمت استفاده از فناوریهای نوظهوری همانند: رایانش کوانتومی، رایانش مولکولی، رایانش زیستی، رایانش نوری، رایانش نانو، رایانش حافظه ای و اقسام مشابه آن سوق داده است. در این مقاله، ضمن معرفی اجمالی این فناوریها و نحوه مشارکت آنها در حوزه رایانه ها، به بررسی وضعیت حال و آینده آنها پرداخته شده و چالشهای موجود در آنها مورد بررسی قرار میگیرد. همچنین، با ارایه دستهبندی مربوط به هرکدام از این فناوری ها، از جنبه رایانشی، موضوعات و چالشهای تحقیقاتی موجود در آنها ارایه میگردد که میتواند چراغ راه تحقیق و پژوهش آتی در حوزه های مختلف مربوط به آنها باشد. در انتهای مقاله نیز به مقایسه میزان اقبال به این فناوریها در مراجع علمی و تحقیقاتی از طریق بررسی آمار چاپ مقالات و کتابها در حوزه های مذکور از سال 2017 تا 2021 پرداخته شده است و اینکه کدام یک از این فناوریها قابلیت ارایه مدل محاسباتی نوین در رایانه های فوق سریع آینده را خواهند داشت.
کلید واژگان: رایانش فوق سر یع، رایانش کوانتومی، رایانش مولکولی، رایانش زی ست ی، رایانش ع صبگون، رایانش نوری، رایانش نانو، رایانش حافظه ایDue to the rapid growth of science and technology, their need for high performance computing is increasing everyday. So far, the majority of the world's high performance computing needs have been based on conventional silicon-based technologies, but the end of the age of silicon-based technologies is near, and this fact has led scientists to use emerging technologies such as quantum computing, bio computing, optical computing and similar technologies. Although some of these technologies are not new and the initial introduction of some of them dates back to some decades ago, but due to the attractiveness of classical silicon-based computing and the speed of development in it, have been neglected to date. However, recently, these technologies have begun to be used to build scalable high performance computers. In this paper, we introduce these technologies and how they participate in the field of high performance computing, their current and future status, and their challenges. Also, the taxonomy related to each of these technologies from the computational point of view as well as their research topics are presented, which can be utilized for future research in this field.
Keywords: High performance computing, quantum computing, biological computing, neuromorphic computing, optical computing, nano computing, in-memory computing
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.