مقاله موتور محاسباتی نزدیک حافظه در حوزه زمان
,

مقاله موتور محاسباتی نزدیک حافظه در حوزه زمان

تومان249,950

افزایش تقاضای محاسباتی در بارهای کاری هوش مصنوعی، نیاز به معماری‌های محاسباتی در حافظه (in-memory) و نزدیک به حافظه (near-memory) با بهره‌وری انرژی بالا را تشدید کرده است، به ویژه از آنجایی که جابجایی…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000260 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

موتور محاسباتی نزدیک حافظه در حوزه زمان

Time Domain Near Memory Computing Engine

نویسندگان: Sarthak Antal, Steve Enosh

شناسه منبع: arxiv / 2605.14162v1

دسته: cs.ET,cs.AR,eess.SY

چکیده (فارسی)

افزایش تقاضای محاسباتی در بارهای کاری هوش مصنوعی، نیاز به معماری‌های محاسباتی در حافظه (in-memory) و نزدیک به حافظه (near-memory) با بهره‌وری انرژی بالا را تشدید کرده است، به ویژه از آنجایی که جابجایی داده‌ها اغلب انرژی بسیار بیشتری نسبت به خود محاسبات مصرف می‌کند. در حالی که معماری‌های کاملاً دیجیتال مقیاس‌پذیری قوی و پشتیبانی از محاسبات با وضوح بالاتر را فراهم می‌کنند، محاسبات آنالوگ در حافظه، بهره‌وری انرژی بهبود یافته‌ای را برای بارهای کاری با دقت پایین نشان داده است. با این حال، وابستگی آن به مبدل‌های دیجیتال به آنالوگ (DAC) و مبدل‌های آنالوگ به دیجیتال (ADC) در حاشیه، سربار اضافی از نظر توان، مساحت و طراحی ایجاد می‌کند. برای پرداختن به این چالش‌ها، این پژوهش یک معماری محاسباتی نزدیک به حافظه در حوزه زمان را برای عملیات ضرب و جمع (MAC) با دقت پایین ارائه می‌دهد. در رویکرد پیشنهادی، بیت‌های وزن دیجیتال ذخیره شده در SRAM با استفاده از یک DAC هدایت جریانی تبدیل می‌شوند، در حالی که بردار ورودی دیجیتال توسط یک مولد N-پالس کدگذاری می‌شود. این امر امکان انجام ضرب را در حوزه زمان فراهم می‌کند و در عین حال یک رابط سازگار با دیجیتال را حفظ می‌کند. دو طرح جمع‌آوری، یک معماری مبتنی بر سلول تاخیر و یک معماری مبتنی بر شمارنده، از نظر مصالحه طراحی، خطی بودن، مقیاس‌پذیری و بهره‌وری توان مورد بررسی و مقایسه قرار می‌گیرند. برای بهبود قابلیت انتقال فناوری، مولد N-پالس و شمارنده‌ها با استفاده از سنتز RTL پیاده‌سازی می‌شوند، در حالی که DAC هدایت جریانی در حوزه آنالوگ باقی می‌ماند. یک نمونه اولیه MAC 4×4 با ولتاژ تغذیه 1 ولت پیاده‌سازی شده است که فرکانس عملیاتی 40 مگاهرتز، مصرف توان 42 میکرووات و بهره‌وری انرژی 7.62 TOPS/W را به دست آورده است.

Abstract (English)

The increasing computational demand of AI workloads has intensified the need for energy-efficient in-memory and near-memory computing architectures, particularly because data movement often consumes significantly more energy than computation itself. While fully digital architectures provide robust scalability and support higher-resolution computation, analog in-memory computing has demonstrated improved energy efficiency for low-precision workloads. However, its reliance on peripheral DACs and ADCs introduces additional power, area, and design overhead. To address these challenges, this work presents a time-domain near-memory computing architecture for low-precision multiply-and-accumulate (MAC) operations. In the proposed approach, digital weight bits stored in SRAM are converted using a current-steering DAC, while the digital input vector is encoded by an N-pulse generator. This enables multiplication to be performed in the time domain while maintaining a digital-friendly interface. Two accumulation schemes, a delay-cell-based architecture and a counter-based architecture, are investigated and compared in terms of design trade-offs, linearity, scalability, and power efficiency. To improve technology portability, the N-pulse generator and counters are implemented using RTL synthesis, while the current-steering DAC remains in the analog domain. A 4 x 4 MAC prototype is implemented with a 1 V supply, achieving an operating frequency of 40 MHz, power consumption of 42 uW, and energy efficiency of 7.62 TOPS/W.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله موتور محاسباتی نزدیک حافظه در حوزه زمان”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا