アナログCIM回路でCNNとTransformerの処理を実現：容量再構成型CIM構造を提案（2/2 ページ）

慶應義塾大学は、Transformer処理と畳み込みニューラルネットワーク（CNN）処理を、極めて高い演算精度と電力効率で実行できる「アナログCIM（コンピュート・イン・メモリ）回路」を開発した。自動運転車やモバイルデバイスといったエッジコンピューティングにおいて、AI（人工知能）技術の導入が容易となる。

[馬本隆綱，EE Times Japan]

TSMCの65nmプロセスでCIMを試作

　実験では、TSMCの65nmプロセスを用いて、CIMを設計／試作した。試作したチップの性能を評価したところ、Transformerモードで最大1.2TOPS、ピーク電力効率で818TOPS/Wを達成。CNNモードでは最大6TOPS、ピーク電力効率は4094TOPS/Wとなり、同等の演算精度を持つCIMに比べ、電力効率は10倍高くなることが分かった。

　従来のアナログCIMに比べ、量子化雑音比（SQNR）は22dB高く、演算精度（CSNR）は13dB高い性能となった。こうしたことから、効率が高く、Transformerでも十分な計算精度を実現した。アルゴリズムではVision Transformer（ViT-S）モデルを用いた時に、CIFAR10データセットで95％という高い正答率になることを確認した。高効率のCNNモードを用いた場合、Resnet-20モデルで同データセットにて91％の精度を達成した。

65nm CMOSプロセスを用いて試作した1088×78アレーCR-CIMの写真［クリックで拡大］ 出所：慶應義塾大学

従来CIMと開発したCR-CIMにおける演算精度（SQNR、CSNR）の比較［クリックで拡大］ 出所：慶應義塾大学

　今回の研究成果については、2024年2月18日より米国で開催された「ISSCC 2024（国際固体素子回路会議）」で詳細を発表した。