2020 Fiscal Year Annual Research Report
Low power multi-bit weight vector operated SRAM cell array machine learning classifier for an era of AI anywhere
| Project/Area Number |
18K11230
|
|---|
| Research Institution | Fukuoka Institute of Technology |
|---|
Principal Investigator |
山内 寛行 福岡工業大学, 情報工学部, 教授 (70425239)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | 機械学習識別器 / SRAMセルアレイ機械学習 / 重み量子化アルゴリズム |
|---|
| Outline of Annual Research Achievements |
本研究は、「特徴ベクトル×1-bit重みベクトルの内積和を、ビット線電流に反映できる」SRAMセルアレイの読み出し動作をそのまま用いた機械学習識別器に関するものである。研究課題として、「1-bit重みが1-bit(0/1)に丸められることによる不安定な学習と得られる精度の課題」と、「全ワード線をOnする時のメモリセルに記憶された重みのデータ破壊の心配があり、ワード線を極度に降圧する必要があるため、低電圧化の課題がある」点に注目し、本研究では、重みベクトルWrite用と内積和Read用のポートを分離し、7T-SRAMのRead用1-トランジスタの並列数・ゲート・ソース間駆動電圧・パルス幅の値で多bitの各電流値を調整し、ビット線短絡で加算することを提案し確認した結果、有効性を明らかにできた。この提案技術により「特徴ベクトル×多bit重みベクトルの内積和を、記憶データの破壊の危険性を回避しながら短絡ビット線電流に反映できる。また、データ破壊防止のためのワード線降圧が必要なくなるため低電圧が可能」となった。もう一方の課題に対して提案した量子化アルゴリズムは「特徴ベクトル行ごとに量子化することで、各ワード単位で正規化が可能になり、各bitが偏って1/0に丸められる確率を減らし、多bitの本来の精度を維持できる」ことが確認できた。結果、消費電力、面積のコストを犠牲にしても必要だった「精度補償用の集団学習」を不要にし、大量のセルアレイを削減できることが明らかになった。このことにより、本研究の目指す「どこでもAIに向けて必須の、省電力化機械学習識別器」に必要な、精度とコスト（消費電力、面積）のトレードオフの関係が改善されることが明らかになった。
|
