STT-MRAM绝对差值原位计算驱动的轻量型AdderNet电路设计

来源：电子与信息学报杂志2025年第9期北京时间：

作者：王黎勋, 张跃军, 李琪康, 张会红, 温亮

单位：1.宁波大学信息科学与工程学院 宁波 3152112.中国人民武装警察部队海警学院电子技术系 宁波 315801

摘要：随着人工智能研究的不断深入，卷积神经网络(Convolutional Neural Networks, CNN)在资源受限环境中的部署需求不断上升。然而，受限于冯·诺依曼架构，CNN加速器随着部署模型深度增加，卷积核逐层堆叠所引发的乘累加运算呈现超线性增长趋势。为此，该文提出一种基于自旋转移矩磁性随机存储器(Spin Transfer Torque-Magnetoresistive Random Access Memory, STT-MRAM)的轻量型加法神经网络(AdderNet)加速电路设计方案。该方案首先将L1范数引入存算一体架构，提出STT-MRAM绝对差值原位计算方法，以轻量级加法取代乘累加运算；其次，设计基于磁阻状态映射的可配置全加器，结合稀疏优化策略，跳过零值参与的冗余逻辑判断；最后，进一步构建支持单周期进位链更新的并行全加器阵列，实现高效的卷积核映射与多核L1范数并行计算。实验结果显示，在CIFAR-10数据集上，该加速器实现90.66%的识别准确率，仅较软件模型下降1.18%，同时在133 MHz频率下达到32.31 GOPS的最大吞吐量与494.56 GOPS/W的峰值能效。

关键词：磁性随机存储器, 加法神经网络, 稀疏计算, 硬件加速器, 人工智能

基金资助：国家自然科学基金(62474100, 62174121, 62134002)，浙江省“尖兵领雁+X”科技计划项目(2025C01063)，宁波市科创甬江2035重点研发计划(2024Z139)，慈溪市重点研发专项(CZ2025006)，宁波大学研究生科研创新项目