論文の概要: SMART-AIMC: Sensitivity-Aware Mixed ADC Resolution with Fine-Grained Tunability for Analog In-Memory Computing

• arxiv url: http://arxiv.org/abs/2611.01707v1
• Date: Sun, 01 Nov 2026 08:49:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:56:18.138944
• Title: SMART-AIMC: Sensitivity-Aware Mixed ADC Resolution with Fine-Grained Tunability for Analog In-Memory Computing
• Title（参考訳）: SMART-AIMC:アナログインメモリコンピューティングのための微粒化チューナビリティを持つ感性-認識混合ADC分解能
• Abstract要約: 混合ATC分解能により、MCCモジュールはエネルギーコストの異なる高解像度ATCモードと低解像度ATCモードを選択できる。 本稿では,Analog In-Memory Computing のための微粒なチューナビリティを備えた感性認識型 ADC 分解フレームワーク SMART-AIMC を提案する。
• 参考スコア（独自算出の注目度）: 2.3941497253612085
• License:
• Abstract: Analog In-Memory Computing (IMC) is a promising paradigm for accelerating GEMM-based AI workloads by executing computations directly within the memory array in the analog domain. While IMC delivers substantial energy and throughput improvements, it can suffer from significant task accuracy degradation due to analog-to-digital converter (ADC) quantization noise, which occurs at the GEMM output and is thus different from weight/activation quantization, which occurs at the GEMM input. Mixed ADC resolution allows IMC modules to choose between high- and low-resolution ADC modes with different energy costs, offering a compelling accuracy-energy trade-off. However, selecting ADC resolutions across IMC units while respecting hardware granularity constraints remains challenging. In this paper, we propose SMART-AIMC, a Sensitivity-aware Mixed ADC Resolution framework with fine-grained Tunability for Analog In-Memory Computing. SMART-AIMC correlates the algorithmic task loss to hardware ADC quantization noise in the form of an ADC Channel Sensitivity (ACS) metric. Using this metric, SMART-AIMC systematically, and in a disciplined manner, allocates ADC resources to critical computations. Furthermore, we introduce a sensitivity-based channel reordering scheme that overcomes the hardware granularity constraints with no runtime overhead and approaches the optimal ADC quantization possible for the model. Evaluated across diverse workloads, SMART-AIMC unlocks a superior accuracy-energy Pareto frontier, providing (1) higher task accuracy at matched energy budgets and (2) fine-grained tuning across efficiency targets, from aggressive energy savings to near-digital inference accuracy. At the latter operating point, SMART-AIMC achieves $6.99\times$ higher modeled system-level energy efficiency for linear projections than the INT8 digital baseline with negligible accuracy degradation.
• Abstract（参考訳）: Analog In-Memory Computing(IMC)は、アナログドメインのメモリアレイ内で直接計算を実行することにより、GEMMベースのAIワークロードを高速化するための有望なパラダイムである。 IMCはエネルギーとスループットを大幅に改善するが、GEMM出力で発生するアナログ・デジタルコンバータ(ADC)量子化ノイズによるタスク精度の劣化に悩まされ、GEMM入力で発生する重み/アクティベーション量子化とは異なる。 混合ADC分解能により、MCCモジュールはエネルギーコストの異なる高解像度と低解像度のADCモードを選択できる。 しかし、ハードウェアの粒度制約を尊重しながら、MCユニット間でのADC分解能の選択は依然として困難である。 本稿では,微粒なTunability for Analog In-Memory Computingを用いた感性認識型混合ADC分解フレームワークSMART-AIMCを提案する。 SMART-AIMCは、ADCチャネル感度(ACS)メトリックの形で、アルゴリズムによるタスク損失をハードウェアのADC量子化ノイズに関連付ける。 この計量を用いて、SMART-AIMCは体系的に、規律的な方法で、ADCリソースを臨界計算に割り当てる。 さらに,ランタイムオーバーヘッドを伴わずにハードウェアの粒度制約を克服し,モデルに最適なADC量子化手法を提案する。 SMART-AIMCは、様々なワークロードで評価され、(1)一致したエネルギー予算でのタスク精度の向上、(2)アグレッシブな省エネから、ほぼデジタルの推論精度まで、効率目標にわたってきめ細かいチューニングを提供する、優れた精度・エネルギーのパレートフロンティアをアンロックする。 後者の運用ポイントでは、SMART-AIMCはINT8デジタルベースラインよりも、線形射影のモデル化されたシステムレベルのエネルギー効率が6.99\times$高い精度で達成されている。

関連論文リスト

• Cost Minimization for Space-Air-Ground Integrated Multi-Access Edge Computing Systems [60.586531406445744]
  宇宙空間統合多高度エッジコンピューティング(SAGIN-MEC)は、急速に発展する低高度経済に有望なソリューションを提供する。 本稿では、ユーザデバイス(UD)、無人航空機(UAV)、衛星間の協調を可能にするSAGIN-MECアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-24T15:03:07Z)
• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
  本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。 バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-08-21T02:46:46Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Learning Task-Based Trainable Neuromorphic ADCs via Power-Aware Distillation [24.103729832774935]
  本稿では,デジタル処理とアナログ処理の両方と並行して,タスクベースの経験的ADCをチューニングするデータ駆動アルゴリズムを提案する。 提案手法は, 精度を最大27%向上し, 消費電力を最大66%削減する。 ノイズ条件下であっても, 精度は19%, 消費電力は57%向上した。
  論文  参考訳（メタデータ） (2024-09-04T12:10:47Z)
• StoX-Net: Stochastic Processing of Partial Sums for Efficient In-Memory Computing DNN Accelerators [5.245727758971415]
  ディープニューラルネットワーク(DNN)のハードウェアアクセラレーションのための有望なプラットフォームとして、クロスバーウェアベースのインメモリコンピューティング(IMC)が登場した。
  論文  参考訳（メタデータ） (2024-07-17T07:56:43Z)
• Hardware/Software co-design with ADC-Less In-memory Computing Hardware for Spiking Neural Networks [4.7519630770389405]
  スパイキングニューラルネットワーク(SNN)は、資源制約されたエッジデバイス上でのシーケンシャルタスクのエネルギー効率の高い実装を実現する大きな可能性を秘めているバイオプレースブルモデルである。 我々は,従来のHP-ADCに代えて,センスアンプを1ビットのADCとして使用して,SNNをADC-Less IMCアーキテクチャにデプロイするハードウェア/ソフトウェア共同設計手法を提案する。 提案するフレームワークは,ハードウェア・アウェア・トレーニングによって最小限の精度劣化を生じさせ,単純な画像分類タスクを超えて,より複雑な逐次回帰タスクにスケールすることができる。
  論文  参考訳（メタデータ） (2022-11-03T22:37:49Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)

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。