論文の概要: Theory and Implementation of Process and Temperature Scalable
Shape-based CMOS Analog Circuits
- arxiv url: http://arxiv.org/abs/2205.05664v1
- Date: Wed, 11 May 2022 17:46:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 22:00:24.161687
- Title: Theory and Implementation of Process and Temperature Scalable
Shape-based CMOS Analog Circuits
- Title(参考訳): プロセスおよび温度スケーラブル形状に基づくCMOSアナログ回路の理論と実装
- Authors: Pratik Kumar, Ankita Nandi, Shantanu Chakrabartty, Chetan Singh Thakur
- Abstract要約: 本研究はアナログMLプロセッサを設計するための新しいアナログコンピューティングフレームワークを提案する。
私たちの研究の核心は形状ベースのアナログコンピューティング(S-AC)です。
S-ACパラダイムにより、ユーザーは計算精度をシリコン回路領域と電力でトレードオフできる。
- 参考スコア(独自算出の注目度): 6.548257506132353
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Analog computing is attractive to its digital counterparts due to its
potential for achieving high compute density and energy efficiency. However,
the device-to-device variability and challenges in porting existing designs to
advance process nodes have posed a major hindrance in harnessing the full
potential of analog computations for Machine Learning (ML) applications. This
work proposes a novel analog computing framework for designing an analog ML
processor similar to that of a digital design - where the designs can be scaled
and ported to advanced process nodes without architectural changes. At the core
of our work lies shape-based analog computing (S-AC). It utilizes device
primitives to yield a robust proto-function through which other non-linear
shapes can be derived. S-AC paradigm also allows the user to trade off
computational precision with silicon circuit area and power. Thus allowing
users to build a truly power-efficient and scalable analog architecture where
the same synthesized analog circuit can operate across different biasing
regimes of transistors and simultaneously scale across process nodes. As a
proof of concept, we show the implementation of commonly used mathematical
functions for carrying standard ML tasks in both planar CMOS 180nm and FinFET
7nm process nodes. The synthesized Shape-based ML architecture has been
demonstrated for its classification accuracy on standard data sets at different
process nodes.
- Abstract(参考訳): アナログコンピューティングは、高い計算密度とエネルギー効率を達成する可能性から、デジタルコンピューティングにとって魅力的なものである。
しかし、デバイス間のばらつきと、既存の設計をプロセスノードに移植する際の課題は、機械学習(ML)アプリケーションにおけるアナログ計算の潜在能力を最大限活用する上で大きな障害となっている。
本研究は、アナログMLプロセッサをデジタル設計に類似した設計を行うための新しいアナログコンピューティングフレームワークを提案する。
私たちの研究の中心は形状ベースのアナログコンピューティング(S-AC)です。
デバイスプリミティブを使用して、他の非線形形状を導出できるロバストなプロト関数を生成する。
S-ACパラダイムにより、ユーザーは計算精度をシリコン回路領域と電力でトレードオフできる。
これにより、ユーザーは真の電力効率でスケーラブルなアナログアーキテクチャを構築でき、同じ合成アナログ回路はトランジスタの様々なバイアス状態を横断し、同時にプロセスノードにわたってスケールすることができる。
概念実証として、平面CMOS 180nmとFinFET 7nmプロセスノードで標準MLタスクを実行するためによく使われる数学的関数の実装を示す。
合成形状に基づくMLアーキテクチャは、異なるプロセスノードにおける標準データセットの分類精度について実証されている。
関連論文リスト
- Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳(メタデータ) (2022-03-29T21:18:47Z) - Analog/Mixed-Signal Circuit Synthesis Enabled by the Advancements of
Circuit Architectures and Machine Learning Algorithms [0.0]
我々は、ニューラルネットワークに基づくサロゲートモデルを用いて、回路設計パラメータの探索とレイアウトの反復を高速化する。
最後に、AMS回路のいくつかの例を、仕様からシリコンプロトタイプまで迅速に合成し、人間の介入を大幅に削減する。
論文 参考訳(メタデータ) (2021-12-15T01:47:08Z) - A Graph Deep Learning Framework for High-Level Synthesis Design Space
Exploration [11.154086943903696]
High-Level Synthesisは、アプリケーション固有の高速プロトタイピングのためのソリューションである。
本稿では,加速性能とハードウェアコストを共同で予測するグラフニューラルネットワークHLSを提案する。
提案手法は,一般的なシミュレータと同等の精度で予測できることを示す。
論文 参考訳(メタデータ) (2021-11-29T18:17:45Z) - Adaptive Fourier Neural Operators: Efficient Token Mixers for
Transformers [55.90468016961356]
本稿では,Fourierドメインのミキシングを学習する効率的なトークンミキサーを提案する。
AFNOは、演算子学習の原則的基礎に基づいている。
65kのシーケンスサイズを処理でき、他の効率的な自己認識機構より優れている。
論文 参考訳(メタデータ) (2021-11-24T05:44:31Z) - AnalogNets: ML-HW Co-Design of Noise-robust TinyML Models and Always-On
Analog Compute-in-Memory Accelerator [50.31646817567764]
本稿では,キーワードスポッティング (KWS) と視覚覚醒語 (VWW) を常用するTinyMLモデルについて述べる。
アナログ非イデオロギーに面した精度を維持するため、包括的学習手法を詳述する。
また、プログラム可能な最小領域位相変化メモリ(PCM)アナログCiMアクセラレータであるAON-CiMについて述べる。
論文 参考訳(メタデータ) (2021-11-10T10:24:46Z) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳(メタデータ) (2021-10-26T14:14:40Z) - Thinking Like Transformers [64.96770952820691]
本稿では,プログラミング言語の形式で変換器エンコーダの計算モデルを提案する。
RASPは、トランスフォーマーによって確実に学習できるタスクの解決策をプログラムするのにどのように使えるかを示す。
ヒストグラム、ソート、ダイク言語のためのRASPプログラムを提供する。
論文 参考訳(メタデータ) (2021-06-13T13:04:46Z) - A flexible and fast PyTorch toolkit for simulating training and
inference on analog crossbar arrays [0.4215938932388722]
我々はIBM Analog Hardware Acceleration Kitを紹介した。これはPyTorch内から便利な方法でアナログクロスバーアレイをシミュレートするオープンソースツールキットの、新しくて最初のものである。
ツールキットは、クロスバーアレイで実行される計算をキャプチャする「アナログタイル」の概念を中心にしています。
我々の新しいツールキットは完全にGPUを加速しており、任意のANNの精度に対する材料特性と将来のアナログ技術の非理想性の影響を便利に推定することができる。
論文 参考訳(メタデータ) (2021-04-05T22:59:35Z) - CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT
(Extended Version) [62.96267257163426]
我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。
まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。
次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
論文 参考訳(メタデータ) (2021-03-18T20:22:50Z) - Memristive Stochastic Computing for Deep Learning Parameter Optimization [1.6344851071810071]
コンピューティング(sc)は、ビットストリームとデジタルロジックを用いた様々な演算処理の低コストかつ低消費電力化を可能にするコンピューティングパラダイムである。
40nmの補完金属酸化物半導体(CMOS)プロセスを使用することで、拡張可能なアーキテクチャは1.55mm$2$を占め、文字認識タスクのために訓練されている間、畳み込みニューラルネットワーク(CNN)のパラメータを最適化する際に約167$mu$Wを消費します。
論文 参考訳(メタデータ) (2021-03-11T07:10:32Z) - SEMULATOR: Emulating the Dynamics of Crossbar Array-based Analog Neural
System with Regression Neural Networks [1.370633147306388]
本稿では,深層ニューラルネットワークを用いてクロスバー型アナログコンピューティングシステムの動作をエミュレートする手法SEMULATORを提案する。
提案したニューラルアーキテクチャを用いて,実験および理論的に,ニューラル計算のためのMACユニットをエミュレートすることを示した。
論文 参考訳(メタデータ) (2021-01-19T21:08:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。