基于CIM架构的多值忆阻电路及其在图像处理中的应用

发布时间：2021-03-08 15:22

　　近年来,随着图像等非结构数据的海量产生和使用,现有冯诺依曼计算架构面临着严峻挑战。由于该架构存在速度和内存瓶颈,在类似图像处理和深度学习等频繁调用去噪、增强或信息提取的应用中,会给系统带来极大的硬件负担。尤其在数据密集的情况下,计算单元与内存通信的压力常常限制了电路或芯片的计算能力,同时低下的面积、功耗效率也带来昂贵的开销。因此,我们迫切需要一种全新的计算方式来提升图像处理算法的执行效力。CIM（Computation-in-Memory,在内存中计算）正是这样一种非冯计算体系。借助存储与计算融合的理念,数据将可以在同一物理位置被记忆与处理,这缓解/消除了数据流通带来的内存带宽压力。同时,由于CIM更近似于人脑工作方式的特点,其具有结构简单,应用灵活多变的优势,可以针对不同的图像算法开发专用处理电路。此外,借助多值忆阻器的信息密度和物理尺寸优势,整个电路的集成度将显著增加。本文深入研究了忆阻器,CIM架构和图像处理算法,探索三者之间有机的结合方案。首先,讨论了基于多值自旋忆阻交叉阵列的核心CIM加法器。进一步,基于所提出的CIM方案开展外围电路设计,分别研究针对图像掩膜和双线性插值算法... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

四类基础电路元素之间的关系

2.3 自旋忆阻器的仿真结果：（a）通过忆阻器的电流；（b）忆阻器两端的电压阻器阻值图 2.4 自旋忆阻单元的电阻-电荷仿真曲线外，为了增大实际忆阻值变化范围与总阻值的比例，忆阻器最高阻K 欧姆并且与 95K 欧姆固定电阻串联。在下面的内容中为描述方便使用忆阻器来指代同一交叉点处的忆阻器和电阻。这样做不会产生定电阻部分不会影响电流对忆阻器件的训练。在本文将举出的例子

中的紫色区域]和输入电路[图 3.2 中的红色区域]。如图 3.2 中信息流（半透明箭头所示，我们先对忆阻交叉阵列中某一区域的数据进行计算，最后得到一个训练信号来修改存储结果的目标忆阻器。多值加法器可以提取以电阻形式存储的信息：当在忆阻交叉阵列上施加电压时，产生的输出电流将携带上忆阻器的信息；然后携带信息的电流流出并由运算放大器进行累加；接着，在算法需要的情况下，积分器将参与工作并起到寄存器的作用；最后，输入电路负责提供和控制适当的输入信号。存储 8-bit 数据的功能由忆阻交叉阵列实现，其中该值由忆阻器减少的阻值表示。通过使用模拟的多值加法器，电路可以同步累加多个数据，从而实现并行和高效的优点。对于前一个模块的输出，积分器和输入电路将其转换为训练信号。这两个模块负责电路自我更新的功能。与现有的 CIM 系统研究相比，所提出的实施方案具有更小的复杂性，更高的速度并且更容易控制（更少的控制信号）。此外在大多数计算环境中，SRMC 与 CPU 只进行微少的数据交换，因为自我更新功能使得 SRMC 得以在本电路中消化自己产生数据，而不是将其返回 CPU。除了前面的内容之外，本节还将介绍服务于该电路的控制信号。


本文编号：3071264