Efficient Calibration for RRAM-based In-Memory Computing using DoRA
Created by
Haebom
저자
Weirong Dong, Kai Zhou, Zhen Kong, Quan Cheng, Junkai Huang, Zhengke Yang, Masanori Hashimoto, Longyang Lin
개요
저전력 에지 AI 연산을 위한 저항성 메모리 컴퓨팅(RIMC)은 시간에 따른 RRAM 전도도 변화로 인해 정확도 저하 문제를 겪습니다. 기존 재훈련 방법은 RRAM의 높은 에너지 소비, 쓰기 지연 시간 및 내구성 제약으로 인해 한계가 있습니다. 본 논문에서는 SRAM에 저장된 최소한의 보정 매개변수를 사용하여 영향력 있는 가중치를 보정함으로써 정확도를 복원하는 DoRA 기반 보정 프레임워크를 제안합니다. 이를 통해 현장에서 RRAM 쓰기를 제거하여 에너지 효율적이고 빠르며 안정적인 보정을 보장합니다. RIMC 기반 ResNet50(ImageNet-1K)에 대한 실험 결과, 매개변수의 2.34%만 업데이트하면서 10개의 보정 샘플만을 사용하여 69.53%의 정확도를 복원하는 것을 보여줍니다.
시사점, 한계점
•
시사점:
◦
RRAM 전도도 변화로 인한 정확도 저하 문제를 해결하는 에너지 효율적이고 빠른 보정 프레임워크 제시
◦
현장에서 RRAM 쓰기를 제거하여 내구성 향상 및 안정적인 시스템 운영 가능
◦
소량의 보정 샘플과 매개변수 업데이트만으로도 높은 정확도 복원 가능성 확인
•
한계점:
◦
제안된 DoRA 기반 보정 프레임워크의 일반성 및 다양한 RIMC 아키텍처 및 데이터셋에 대한 적용 가능성 추가 연구 필요
