Dynamic neural network with memristive CIM and CAM for 2D and 3D vision

大脑是动态的、联想的和高效的。它通过将输入与过去的经验关联起来重新配置，具有融合的记忆和处理能力。相比之下，人工智能模型是静态的，无法将输入与过去的经验关联起来，并在物理上分离的内存和处理器上运行。我们提出了一种硬件软件协同设计，使用忆阻器的基于语义记忆的动态神经网络（DNN）。该网络将传入的数据与存储为语义向量的过去经验相联系。网络和语义记忆在噪声鲁棒的三态忆阻器计算内存（CIM）和内容寻址存储器（CAM）电路上进行物理实现。我们使用40纳米忆阻器宏对ResNet和PointNet++进行验证，对来自MNIST和ModelNet数据集的图像和3D点进行分类，不仅实现了与软件相当的准确性，而且在计算预算上减少了48.1%和15.9%。此外，它还提供了77.6%和93.3%的能源消耗减少。

本篇论文旨在解决AI模型静态、无法关联过去经验的问题，提出了硬件-软件协同设计的语义记忆动态神经网络方案，通过使用三态记忆体实现物理上的计算-内存联合，将输入数据与过去经验相结合，以实现动态的联想。

本文的关键思路是将语义记忆与动态神经网络相结合，通过使用三态记忆体实现计算-内存联合，将输入数据与过去经验相结合，以实现动态的联想。

该论文的亮点包括：1. 使用硬件-软件协同设计的语义记忆动态神经网络方案；2. 通过使用三态记忆体实现计算-内存联合，将输入数据与过去经验相结合，以实现动态的联想；3. 在MNIST和ModelNet数据集上验证了该方案，实现了与软件相当的准确率，并降低了计算预算和能耗消耗。

在这个领域中，最近的相关研究包括：1. 《Memory-Augmented Neural Networks for Machine Reading》；2. 《Dynamic Memory Networks for Visual and Textual Question Answering》；3. 《Neuromorphic Computing with Memristive Devices》等。