摘要：

本文介紹了一種卷積神經網路（CNN）記憶體運算加速器神經元陣列的設計，該陣列整合了SRAM儲存架構和電荷域運算。在這個設計中，權重直接儲存在6T SRAM單元中，乘法運算採用異或非（XNOR）邏輯實現。所得的位乘積被轉換為集成電容器上的電荷，這些電容器根據其對應的權重共享和累積電荷。這種方法創建了一種高度可擴展的類比記憶體運算架構，解決了「記憶體牆」瓶頸問題，並緩解了傳統馮諾依曼系統的能耗問題。此神經元陣列加速器專為邊緣運算應用（例如虛擬實境和擴增實境頭戴裝置以及自動駕駛電動車）而設計，在滿足嚴格的功耗限制的同時，顯著提高了影像處理演算法的速度。

隨著人工智能演算法和邊緣設備的日益普及，功耗和環境影響問題日益受到關注。儘管GPU和TPU擁有令人印象深刻的原始效能，但它們對片外記憶體的依賴加劇了記憶體牆問題，而且其高功耗和散熱需求也阻礙了永續運作。因此，能源效率已成為下一代人工智能硬體面臨的關鍵挑戰。相較之下，我們提出的類比記憶體運算解決方案在顯著降低能耗的同時，還能提供更高的頻寬和運算速度。這符合綠色運算原則，並支援在遠端或行動環境中使用電池供電甚至太陽能驅動的自持運作。此外，與目前域記憶體計算方法相比，電荷域技術能夠提供更線性的乘加（MAC）結果，從而提高精度並簡化下游訊號處理。

我們的加速器採用 1.8 V 電源供電，在 180 nm 台積電製程下可產生 0 至 1.8 V 的輸出電壓。透過基於儲存權重精確調整電容比例，神經元陣列僅需兩個時脈週期即可完成多位 MAC 運算。每次 MAC 運算的能耗降低至約 0.175 pJ，整體效率達 5.73 TOPS/W。神經元矩陣的類比輸出可使用最小 7 位元類比數位轉換器 (ADC) 進行數位化。該架構支援對數位輸入/輸出流進行直接計算，並且只需稍作修改即可處理來自影像感測器的原始類比訊號。所提出的設計已通過電路級模擬進行了全面驗證，證實其適用於加速現代卷積神經網路 (CNN) 中的所有捲積層。