窥探向量乘矩阵的存内计算原理—基于向量乘矩阵的存内计算

原文：窥探向量乘矩阵的存内计算原理—基于向量乘矩阵的存内计算-CSDN博客

CSDN-一见已难忘

在当今计算领域中，存内计算技术凭借其出色的向量乘矩阵操作效能引起了广泛关注。本文将深入研究基于向量乘矩阵的存内计算原理，并探讨几个引人注目的代表性工作，如 DPE、ISAAC、PRIME 等，它们在神经网络和图计算应用中表现出色，为我们带来了前所未有的计算体验。

窥探向量乘矩阵的存内计算原理

生动地展示了基于向量乘矩阵的存内计算最基本单元。这一单元通过基尔霍夫定律，在仅一个读操作延迟内完整执行一次向量乘矩阵操作。演示了一个 2×1 的向量(V1, V2)与一个 1×2 的向量(G1, G2)T 相乘的过程，其中 ReRAM 阻值以(G1, G2)T 表示，电压则以(V1, V2)表示。基于基尔霍夫定律，比特线上的输出电流便是向量乘矩阵操作的结果。将这一操作扩展，将矩阵存储在 ReRAM 阵列中，通过比特线输出相应的结果向量。

探寻代表性工作的独特之处

 1. DPE (Hewlett Packard Laboratories) 

DPE 是专为向量乘矩阵操作设计的存内计算加速器。其独特之处在于提供了一种转化算法，将实际的全精度矩阵巧妙地存储到精度有限的 ReRAM 存内计算阵列中。实验证明，仅用 4 位的 DAC/ADC 就能保证计算结果没有精度损失，而性能提升更是达到了令人瞠目的 1000 到 10000 倍。

2. ISAAC (University of Utah) 

ISAAC 是专为神经网络推理设计的存内计算架构，其多个存内计算阵列通过 C-mesh 片上网络连接。每个阵列包含用于不同计算层的多种单元，如最大池化单元、Sigmoid 单元、eDRAM 缓存等。ISAAC 通过 ReRAM 阵列实现向量乘矩阵操作，采用流水线方式提高推理效率，为神经网络的推理提供了独特而高效的解决方案。

 3. PRIME (University of Santa Barbara) 

PRIME 同样专注于神经网络推理，其独特之处在于直接使用 ReRAM 单元进行计算。ReRAM bank 包括 Mem subarrays（存储）、FF subarrays（计算）和 Buffer subarray（缓存）。相较于其他结构，PRIME 实现了显著的性能提升和能耗节约，为神经网络推理领域带来了全新的可能性。

逐鹿存内计算的新时代

随着计算领域不断演进，存内计算技术如一匹矫健的鹿儿，勇敢地迎接着新时代的挑战。DPE、ISAAC、PRIME 等工作不仅为存内计算打开了崭新的篇章，也为我们提供了探索计算世界更深层次的机会。

 4. PipeLayer (Duke University) 

在神经网络训练领域，PipeLayer 是一匹勇敢的鹿。其存内计算系统架构旨在通过复制多份权重数据实现少气泡的 pipeline 结构。PipeLayer 巧妙地使得反向传播阶段的误差传递和权值计算并行进行，从而提高了存内计算训练神经网络的计算效率。实验结果显示，与传统的 GPU 系统相比，PipeLayer 实现了 42 倍的性能提升和 7 倍的能耗节约。

5.TIME (Tsinghua University) 

在神经网络训练领域，TIME 则为存内计算技术打开了新的可能性。为了降低训练时权重矩阵更新的延迟和能耗，TIME 采取了权重矩阵复用的方法，与其他方法不同，它不是复制多份权重矩阵，而是通过特殊的数据映射操作来消除拷贝操作的写入开销。实验证明，TIME 在有监督的神经网络和强化学习网络方面分别实现了 5.3 倍和 126 倍的能耗节约。

 踏入未知的 LerGAN 之境 (Tsinghua University)

LerGAN 作为对抗生成网络（GAN）的存内计算系统架构，为存内计算的发展开辟了新的天地。通过去除零相关的操作，重新构建卷积核，LerGAN 巧妙地应对了 GAN 的挑战。它提出了一个三层堆叠的存内计算阵列结构，使得 GAN 训练的数据传输路径变短，路由减少。实验结果表明，相较于传统的 CNN，LerGAN 在性能和能耗方面分别取得了 7.46 倍和 7.68 倍的提升。

PCM+CMOS：IBM 的前瞻之举 

IBM 的 PCM+CMOS 存内计算方法，将存储单元与计算结合，实现了全连接神经网络的前向传播、反向传播和权值计算。其独特的结构中使用 PCM 单元存储权值的高位，而电容器单元存储权值的低位，巧妙地平衡了计算的稳定性和存储的寿命。该方法为存内计算提供了一种前瞻性的解决方案。

结语：携手向前迈进

这一系列存内计算的代表性工作，如同一群勇敢的鹿群，勇敢地探索着计算领域的未知领域。DPE、ISAAC、PRIME、PipeLayer、TIME、LerGAN、PCM+CMOS 等工作，各自带有独特的特点，共同构筑起存内计算技术的辉煌画卷。

未来，存内计算技术将继续与创新者携手前行，挑战更大的计算难题。这不仅是对技术的不懈探索，更是对计算领域的一次颠覆性的变革。在这个充满激情和创造力的时代，我们期待存内计算技术与计算领域共同书写新的传奇。携手向前，踏上计算的无限征程。

基于向量乘矩阵的存内计算技术正积极推动着神经网络和图计算领域的发展。DPE、ISAAC、PRIME 等代表性工作展示了这一领域的多样性和创新。我们可以期待，存内计算技术将在提高计算效率、减少能耗等方面发挥更为关键的作用，为计算领域带来更多的创新与突破。在这个充满活力的领域中，我们正迈向一个更加智能和高效的未来。

参考文献；

《中国科学》杂志社：内存计算研究进展

​