本研究は、ニューラルフィールド表現と抵抗性メモリベースのCIMハードウェアを組み合わせることで、効率的かつ正確なシグナル再構築を実現している。
ソフトウェア面では、ニューラルフィールド技術を用いてシグナルを表現し、低ランク分解と構造化プルーニングによってモデルサイズを圧縮している。ハードウェア面では、40nmの256Kbの抵抗性メモリマクロを搭載したハイブリッドアナログ・デジタルコンピューティングシステムを開発している。抵抗性メモリの確率的性質を利用してランダムガウシアンエンコーディングを行い、高精度な行列乗算を実現するためのハードウェア対応量子化(HAQ)手法とVCMAC回路を提案している。
提案手法を3D CT再構築、ノベルビュー合成、動的シーンのノベルビュー合成の各タスクで検証した結果、ソフトウェアと同等の再構築品質を維持しつつ、大幅なエネルギー効率の向上と並列性の改善を実現できることを示した。提案手法は、医療AI、AR/VR、エンボディドAIなどの様々な信号復元アプリケーションに適用可能な一般的なソリューションとなる。
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Yifei Yu,Sha... a las arxiv.org 04-16-2024
https://arxiv.org/pdf/2404.09613.pdfConsultas más profundas