20、基于突触器件的深度神经网络与脉冲神经网络：原理、实现与优化

基于突触器件的深度神经网络与脉冲神经网络：原理、实现与优化

1. 基于忆阻器的深度神经网络芯片与系统实现

为充分挖掘忆阻器在深度神经网络（DNN）硬件实现中的潜力，近年来开发了多种神经形态计算芯片和系统。以下是一些代表性的实现：
| 参考文献 | 技术节点 (nm) | 突触配置 | A/D 接口 | 精度 | 计算能力 | 能量效率 | 测试 |
| — | — | — | — | — | — | — | — |
| [56] | 22 | 2 Mb 1T1R RRAM | DbSO - CSA | 4–4–11 bit
1–2–6 bit | 18.3 ns/MAC
9.8 ns/MAC | 28.9 TOPS/W
121.3 TOPS/W | ResNet - 20
CIFAR - 100: 66.46% |
| [45] | 130 | 158.8 kb SW - 2T2R/1T1R RRAM | LPAR - ADC | 1–3–1–8 bit | 51.1 ns/MAC | 78.4 TOPS/W | 784 × 100 × 10 FCN
MNIST: 94.4% |
| [57] | 130 | 八个 128 × 16 1T1R RRAM | 8 - bit ADC | 8–4–8 bit | 81.92 GOPS | 11.01 TOPS/W | 五层 CNN
MNIST: 96.19% |
| [41] | 180 | 54 × 108 1T1R RRAM | 13 - bit ADC | 4 - Analog - 13 bit | 57.5 GOPS | 187.62 GOPS/W