NOMA：一种用于基于3D集成电路的神经形态系统的新型可靠性改进方法

《IEEE Transactions on Components, Packaging and Manufacturing Technology》：NOMA: A Novel Reliability Improvement Methodology for 3D IC-Based Neuromorphic Systems

　　硬件故障对3D集成电路基脉冲神经网络可靠性影响显著，本文提出网络-of-memory架构（NOMA）通过替换高优先级层故障突触权重提升系统鲁棒性，实测45nm SRAM架构下精度衰减降低56%，时延增加3.538μs，功耗增量390.796nJ。

　　

摘要：

硬件是所有实时应用程序信任的基础，在人工智能（AI）中尤为重要。随着AI在各种任务中的应用日益广泛，人们对硬件的可靠性产生了担忧。大量研究表明，由制造过程或设备差异引起的硬件故障会显著影响AI应用的精度和准确性。尽管基于三维集成电路（3D IC）的尖峰神经网络（SNN）具有抗噪声、低功耗和低内存占用等优点，但这一问题同样存在。这是因为除了上述硬件故障外，3D IC上的热量散发还可能对上层芯片上的内存产生负面影响。因此，本文提出了一种称为“内存网络架构”（NOMA）的方法，通过用低优先级的权重替换高优先级层中的有缺陷的关键突触权重来提高基于3D IC的SNN的可靠性。该方法在多种基于逻辑的存储架构上进行了测试，这些架构使用了不同的存储技术，如SRAM、eDRAM、STT-RAM和RRAM。结果表明，在45纳米工艺的SRAM库中，当误码率为0.05时，精度下降了约56%，时序开销为3.538微秒，功耗开销为390.796纳焦。

引言

尖峰神经网络（SNN）与三维集成电路（3D IC）的结合为人工智能（AI）开辟了一种新的途径，带来了诸多优势。例如，SNN具有低功耗特性，能够实现轻量级的推理[1]、[2]、[3]；而基于3D IC的技术则能保证高带宽和高并行性，从而实现高效的计算[4]、[5]。然而，这种方法面临的最大挑战之一是3D IC本身存在的可靠性问题，如老化、热问题和制造缺陷。幸运的是，由于SNN的抗噪声特性，它们能够容忍一定数量的这些故障。实际上，通过考虑网络拓扑、电路实现、硬件架构和容错策略，可以在故障发生时避免SNN的失效[6]、[7]、[8]、[9]。