Spiking Neural Network (SNN) Computing-In-Memory (CIM) was proposed for high macro-level energy efficiency. However, system-level energy efficiency is limited by EMA due to a large intermediate activation footprint requirement. To reduce the EMA, a large capacity SNN CIM is needed to load tons of weights in the CIM. This paper proposes a high-density 1T1C eDRAM-based SNN CIM processor for supporting high system-level energy efficiency with two key features: 1) High-density and low-power Reconfigurable Neuro-Cell Array (ReNCA) for memory and SNN peripheral logic using a charge pump and reusing 1T1C cell array, achieving 41% area and 90% power reduction compared to previous work. 2) Reconfigurable CIM architecture with dual-mode ReNCA and Dynamic Adjustable Neuron Link (DAN Link) for layer fusion increases system-level efficiency including intermediate and weight EMA. It achieves high system-level energy efficiency of 157.15TOPS/W at CIFAR 10 (ResNet18).
본 논문은 기존 심층 신경망 (DNN) 기반 메모리 내 컴퓨팅 프로세서 (CIM) 보다 높은 시스템 레벨 에너지 효율을 달성하는 스파이킹 신경망 (SNN) 기반 CIM 프로세서를 제안한다. 기존 SNN CIM 프로세서는 큰 셀 (Cell) 면적, 주변 회로 (Peripheral) 면적으로 인해 높은 시스템 레벨 에너지효율을 달성할 수 없었다. 본 논문은 시스템 레벨 에너지 효율적인 SNN CIM 프로세서를 위한 2가지 주요 기능을 제안한다: 1) 1T1C eDRAM 기반 SNN CIM과 charge pump 기반 peripheral 회로를 통해 마크로 면적을 41% 줄일 수 있다. 2) 두가지 모드의 셀 어레이 (Cell array)를 통해 재구성가능한 CIM 아키텍쳐를 제안하여 다양한 심층신경망 레이어 크기에 맞춰 2.82배 높은 FoM (Mb/mm2× TOPS/mm2)을 달성할 수 있다. 제안된 SNN CIM 프로세서는 28nm CMOS 기술로 시뮬레이션되었으며, 10.47mm$^2$을 차지한다. 결과적으로 157.15 TOPS/W 시스템 에너지 효율을 CIFAR 10 (ResNet-18)에서 달성한다.
