跨点

内存中主组件分析通过电阻开关存储器的跨点阵列

摘要 - 内存计算（IMC）是机器学习（ML）数据密集型计算加速器的最有希望的候选者之一。用于尺寸降低和分类的关键ML算法是主要成分分析（PCA），它在很大程度上依赖于经典的von Neumann架构未优化的矩阵矢量乘法（MVM）。在这里，我们提供了基于IMC的新PCA算法的实验演示，该算法基于功率迭代和在4 kbit的电阻切换随机访问存储器（RRAM）中执行的放气。威斯康星州乳腺癌数据集的分类准确性达到95.43％，接近浮点的实施。我们的模拟表明，与商业图形处理单元（GPU）相比，能源效率有250倍，因此在现代数据密集型计算中支持IMC的能源有效ML。