線形減衰を用いたスパイキングニューラルネットワーク向け SRAMベースのメモリ内計算アクセラレータ

要旨: スパイキングニューラルネットワーク（SNN）は、生物学に基づく着想を得た従来の深層ネットワークの代替として現れ、イベント駆動型でエネルギー効率の高い計算を提供します。しかし、スループットはニューロン膜電位の逐次更新によって制約され続けます。多くのハードウェアアクセラレータやCompute-in-Memory（CIM）アーキテクチャは、シナプス演算（W × I）を効率的に並列化し、行列ベクトル乗算の O(1) 複雑さを達成しますが、続く状態更新ステップはすべてのニューロン膜電位をリフレッシュするために O(N) の時間を要します。この不一致は、SNN推論における遅延とエネルギーのボトルネックの支配的要因となります。この課題に対処するため、Linear Decay Leaky Integrate-and-Fire（LD-LIF）ニューロンを備えた SRAM ベースの CIM を提案し、アルゴリズムとハードウェアを協調して最適化します。アルゴリズムレベルでは、従来の指数的膜減衰を線形減衰近似に置換し、コストの高い乗算を単純な加算へ変換しますが、精度の低下は約1%程度にとどまります。アーキテクチャレベルでは、SRAMアレイ内で直接インプレース減衰を実行するインメモリ並列更新スキームを導入し、グローバルな逐次更新の必要性を排除します。ベンチマークSNNワークロードで評価したところ、提案手法は SOP エネルギー消費を 1.1x から 16.7x の削減を達成し、エネルギー効率を 15.9x から 69x 向上させ、元の減衰モデルと比較して精度の低下はごく僅かです。この研究は、(W × I) の計算を加速するだけでなく、CIM アーキテクチャ内の状態更新ダイナミクスを最適化することが、スケーラブルで低電力・リアルタイムなニューロモルフィック処理には不可欠であることを強調します。