[24p-31A-1~14] FS.1 フォーカストセッション「AIエレクトロニクス」

15:15 〜 15:30

[24p-31A-8] 省面積・低エネルギー・高精度なCiMに向けて1: 入出力レンジ学習手法

〇山田 歩¹、三澤 奈央子¹、松井 千尋¹、竹内 健¹ (1.東大工)

キーワード：

Computation-in-Memory (CiM),ニューラルネットワークアクセラレータ,低ビット推論

不揮発性メモリを用いたComputation-in-Memory（CiM）における大きな課題の一つであるコンバータによるチップ面積・エネルギー消費のボトルネックを解消するため、CiMにおける各層入出力の低ビット化を行った。低ビット化による精度低下を防ぐため、学習時に量子化を考慮した各層入出力レンジの最適化を行う手法LIORAT（Layer I/O Range Training）を提案した。LIORATはResNet-32に適用され、CIFAR-10データセットにおいて入出力4-bitの場合に90.2%、入力2-bit, 出力4-bitの場合に87.1%の精度を達成した。