Processing in-memory (PIM) approaches have emerged to address the memory wall problem of the conventional Deep Neural Network (DNN) accelerators. Resistive RAM (ReRAM) is regarded as a proper platform for PIM. Owing to the current-sum manner of the ReRAM array, ReRAM-based DNN accelerators achieve energy-efficient computation. Despite the promising computation ability, various non-idealities hinder practical usage of the ReRAM-based DNN accelerator. To ensure reliable computation results, a framework to mitigate the non-idealities of the ReRAM-based DNN accelerator is presented in this thesis. Among several non-idealities, major non-idealities (thermal, Stuck-At-Fault, and read disturbance problems) are intensively solved. In the case of the thermal problem, weights of DNN are stored in the array in a way that increases the temperature the least. When the Stuck-At-Fault problem occurs, the weight is stored to have a minimum error from the original weight value to prevent the accuracy degradation of DNN. In addition, the read disturbance problem caused by the drift of the weight value stored in the cell is solved through a selective refresh approach. Through this paper, the reliability of the ReRAM-based DNN accelerator is improved.
메모리 내 연산 가속기는 빈번한 데이터 이동을 필요로 하는 심층 신경망의 연산을 메모리 내에서 수행하는 새로운 형태의 심층 신경망 가속기이다. 메모리 내 연산 가속기에 적합한 플랫폼으로 주목받고 있는 ReRAM 기반 심층 신경망 가속기는 에너지 효율적이지만 공정, 온도 변화에 따른 비이상성으로 인해 안정적인 연산 결과를 보장할 수 없는 문제를 겪는다. 본 논문에서는 ReRAM 기반 심층 신경망 가속기의 안정적인 연산이 가능하도록 비이상성으로 인해 발생하는 문제를 해결하고자 한다. 여러 비이상성 중 thermal, Stuck-At-Fault, read disturbance 문제를 집중적으로 해결하여 ReRAM 기반 심층 신경망 가속기의 연산 정확도 향상을 목표로 한다. ReRAM array 내에서 온도를 가장 적게 상승시키도록 심층 신경망의 가중치를 저장하며 ReRAM array 간 온도 차이를 최소화하는 가중치 저장 방식을 제안한다. Stuck-At-Fault가 발생한 경우 이상적인 가중치와 최소한의 오차를 갖도록 가중치를 저장하여 심층 신경망의 정확도 하락을 방지한다. 또한, 심층 신경망을 가속하는 과정에서 ReRAM cell에 저장된 가중치의 값이 바뀌는 read disturbance 현상을 선택적인 refresh를 통해 해결하고자 한다. 본 논문을 통해 여러 비이상성이 해결된 ReRAM 기반 심층 신경망 가속기는 심층 신경망을 에너지 효율적으로 가속하며 연산 정확도를 보장할 수 있게 된다.
