MARC

 008260126s2024        us                              c    eng  d
■001000017360554
■00520260202105546
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263394028
■035    ▼a(MiAaPQ)AAI32315576
■035    ▼a(MiAaPQ)GeorgiaTech75620
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a006
■1001  ▼aLi,  Wantong.
■24510▼aEfficient  and  Robust  Compute-In-Memory  for  Edge  Intelligence
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a128  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Yu,  Shimeng.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aWith  deep  neural  networks  (DNNs)  fueling  major  advancements  in  artificial  intelligence  (AI),  the  demand  for  efficient  computing  solutions  has  never  been  higher.  This  dissertation  delves  into  the  challenges  and  innovations  in  the  field  of  compute-in-memory  (CIM)  technologies,  a  key  area  for  advancing  sustainable  computing  to  address  the  growing  carbon  footprint  associated  with  intensive  AI  workloads.  CIM  is  an  emerging  computing  paradigm  aimed  at  processing  data  within  memory  arrays  where  data  is  stored,  promising  significant  gains  in  energy  efficiency  and  computational  speed.  This  dissertation  focuses  on  building  efficient,  robust,  and  heterogeneous  CIM  solutions  for  edge  intelligence.  The  dissertation  first  presents  the  prototype  chip  development  of  CIM  primitives  as  AI  inference  engine,  demonstrating  the  feasibility  of  analog  computations  within  resistive  random-access  memory  (RRAM).  Additional  design  challenges  are  addressed  through  novel  circuit-level  design  techniques  including  lightweight  on-chip  write-verify,  in-situ  error  correction,  temperature-tracking  references,  and  embedded  model  encryption.  Exploring  beyond  traditional  scaling  methods,  the  dissertation  next  proposes  vertically  stacking  silicon  dies  into  a  heterogeneous  3-D  (H3D)  system  for  the  flexibility  to  combine  different  process  nodes  and  high-bandwidth  data  transmission.  A  H3D  integrated  accelerator  is  designed  to  target  vision  transformer  models  through  a  hybrid  analog  and  digital  CIM  approach.  Thorough  thermal  and  signaling  evaluations  are  conducted  to  understand  the  trade-offs  of  die  stacking.  Finally,  domain-specific  CIM  architectures  for  edge  computing  are  investigated,  focusing  on  integrating  CIM  hardware  with  sensor  frontends  for  intelligent  data  volume  reduction.  An  algorithm/hardware  co-design  approach  is  proposed  to  reduce  power  consumption  of  portable  medical  ultrasound  imaging  and  to  improve  communication  bandwidth  for  autonomous  driving,  showcasing  the  potential  of  CIM  to  efficiently  insert  local  intelligence  in  diverse  applications.
■590    ▼aSchool  code:  0078.
■650  4▼aDeep  learning
■650  4▼aSemiconductors
■650  4▼aBandwidths
■650  4▼aData  processing
■650  4▼aCMOS
■650  4▼aCarbon  footprint
■650  4▼aCo-design
■650  4▼aField  programmable  gate  arrays
■650  4▼aDesign  techniques
■650  4▼aIntegrated  circuits
■650  4▼aError  correction  &  detection
■650  4▼aNeural  networks
■650  4▼aMultiplication  &  division
■650  4▼aEnergy  efficiency
■650  4▼aData  transmission
■650  4▼aUltrasonic  imaging
■650  4▼aComputer  science
■650  4▼aElectrical  engineering
■650  4▼aMathematics
■650  4▼aMedical  imaging
■650  4▼aSustainability
■690    ▼a0800
■690    ▼a0984
■690    ▼a0544
■690    ▼a0405
■690    ▼a0574
■690    ▼a0640
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360554▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서