⚡ electrical engineering

An RRAM-based Hardware Implementation of a Radial Basis Function Neuron for Edge Classifiers

本文提出了一种基于 RRAM 的能量效率型径向基函数（RBF）神经元硬件实现方案，该方案通过在模拟内容寻址存储器（ACAM）阵列中使用定制的 TXL 单元，实现了用于边缘分类的高速、即时学习，在 MNIST 数据集上达到了 89.1% 的准确率，且每次操作仅消耗 185fJ 的能量。

原作者： Georgios Papandroulidakis, Shady Agwa, Themis Prodromakis

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Georgios Papandroulidakis, Shady Agwa, Themis Prodromakis

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你有一个非常聪明、微小的机器人，它需要瞬间做出决策，比如自动驾驶汽车发现行人，或者穿戴式设备检测到跌倒。通常，这些机器人需要将数据发送到巨大的、耗电量高的云端计算机来获取答案。但如果这个机器人可以在原地进行思考，而且使用极低的电池电量呢？

这篇论文介绍了一种为边缘设备构建这种“大脑”的新方法，使用的是一种特殊的存储芯片，叫做 RRAM（阻变存储器）。以下是他们实现这一目标的简单解释：

1. 问题所在：“图书馆”瓶颈

把传统的计算机想象成一个图书馆。为了找到一本书（数据），你必须从阅读桌（处理器）走到书架（存储器），拿走书，然后再走回来。这种来回奔波既费时又耗能。这就是所谓的“存储墙”。

对于现代人工智能（AI）来说，这对于小型设备而言太慢且太耗电了。作者想要构建一个让“书”（数据）和“阅读桌”（处理）处于同一位置的系统。

2. 解决方案：“智能便利贴”（TXL 单元）

研究人员创建了一个被称为 Template piXeL (TXL) 的微小构建模块。

类比： 想象一张“智能便利贴”，上面画有一个特定的形状（比如圆形或三角形）。
工作原理： 当你把一个新的形状举到这张便利贴前时，便利贴并不仅仅是回答“是”或“否”。它会测量新形状与便利贴上图案的接近程度。
神奇之处： 如果新形状与图案非常相似，便利贴就会“亮起”明亮的光；如果差异很大，它则保持暗淡。这个过程是瞬间完成的，并且几乎不消耗电量，因为它利用了材料的物理特性（例如电流流经电阻器）来进行数学运算，而不是使用复杂的计算器。

3. 大脑：一堵“便利贴墙”（阵列）

他们不仅做了一张笔记，还做了一面巨大的墙（阵列）。

设置： 想象一堵有 48 行的墙。每一行都有一个不同的“原型”图样（例如，第 1 行是“十字形”，第 2 行是“圆形”，第 3 行是“三角形”）。
测试： 当你向这面墙展示一张新图像（比如一个带有噪声、模糊的十字形）时，每一行都会在同一时间进行检查。
结果： 匹配度最高的行会通过发送最强的电信号来“胜出”。系统会瞬间知道：“这是一个十字形！”而无需运行复杂的算法。

4. 在线学习：“可适应”的大脑

大多数 AI 模型就像石膏铸造的一样；一旦训练完成，它们就无法改变。如果光线发生变化或者物体看起来略有不同，它们就会感到困惑。

这个新系统则不同。它可以在工作的过程中学习：

场景 A（离群值）： 想象机器人看到一个稍微倾斜的“十字形”。它仍然是一个十字形，但与原始图样并不完全匹配。系统注意到了这一点，意识到：“嘿，这仍然是一个十字形，只是一个形状有点奇怪的十字形”，并轻轻地调整“十字形”那一行的图样，以包含这个新的角度。这就像是更新食谱，以包含你刚刚发现的新配料。
场景 B（陌生人）： 想象机器人第一次看到“正方形”。现有的行（十字形、圆形、三角形）中没有一个能很好地匹配它。系统会说：“我不认识这个！”并为“正方形”专门创建一个全新的行。它不会抹去旧的图样，而是直接添加一个新的。这防止了机器人忘记它已经知道的知识。

5. 结果：快速、廉价且高效

研究人员使用两种类型的测试对这个“智能便利贴”墙进行了测试：

简单形状： 他们使用了基础的几何形状（十字形、圆形、三角形）。系统达到了 100% 的准确率，并且在形状变得有噪声或发生变化时能够瞬间适应。
手写数字 (MNIST)： 他们使用了著名的手写数字数据集（0–9），但将其缩小到了非常小的尺寸。该系统实现了 89.1% 的准确率。虽然还不完美，但对于这样一个不使用复杂软件层、仅靠低功耗硬件设计的系统来说，这已经非常令人印象深刻了。

核心结论：
这篇论文展示了一种构建 AI 硬件的新方法，这种硬件就像是一个有生命的、会呼吸的记忆。它不仅仅是存储数据，存储器本身就能理解数据，能瞬间进行比较，并在看到新事物或不同事物时更新自己的“记忆”。它完成这一切所使用的能量，仅为当今计算机所需能量的一小部分，非常适合那些需要智能化且保证安全的小型、电池供电设备。

技术摘要：基于 RRAM 的径向基函数神经元硬件实现，用于边缘分类器

问题陈述
在资源受限的边缘设备上部署现代机器学习（ML）模型面临着重大挑战，特别是在能量效率、延迟以及实时处理离群值或分布外（OOD）输入的能力方面。传统的深度神经网络（DNN）通常难以应对“领域偏移”（domain shift）问题——即环境变化、传感器噪声或不断演变的数据模式会导致预训练模型的性能下降。此外，冯·诺依曼存储墙为计算密集型操作（如相似性搜索所需的点积运算）制造了瓶颈。现有解决方案往往缺乏高效的设备端自适应能力（持续学习），而无需额外的资源或数据标注，这对于自动驾驶等安全关键型应用至关重要。

方法论
作者提出了一种利用集成 CMOS 技术的金属氧化物阻变存储器（RRAM）构建的硬件原生解决方案，旨在创建一个模拟内容可寻址存储器（ACAM）系统。该设计的核心是一个定制的**模板像素（Template piXeL, TXL）**单元，它作为一个可配置的模拟径向基函数（RBF）神经元发挥作用。

TXL 单元架构： TXL 单元利用两个源极退化（source-degeneration）的 RRAM-CMOS 反相器。通过将 RRAM 器件（ $R_M$ 和 $R_B$ ）以串联方式编程在 MOSFET 源极，该电路建立了一个由上阈值（ $V_{TH}^{upper}$ ）和下阈值（ $V_{TH}^{lower}$ ）定义的特定“匹配窗口”。该窗口模拟了一个感受野，使得单元仅在输入电压处于特定范围内时激活，从而有效地计算距离度量。
阵列组织： TXL 单元被组织成致密的 $k \times n$ 阵列。每一行代表一个唯一的 $k$ 维原型（以统计属性表示：编码入 RRAM 电导率的均值 $\mu$ 和方差 $\sigma$ ），每一列则对应一个输入特征。
存内计算（IMC）： 系统并行执行相似性搜索。输入向量作为模拟信号施加到位线上。通过基尔霍夫电流定律，单个 TXL 单元产生的电流在匹配线上累加，自然地计算出输入查询与存储原型之间的聚合相似性得分（反距离）。
自适应策略： 系统根据输入与最佳匹配原型之间的距离（ $d$ $d$ ）实施三级自适应策略：
1. 可靠分布内数据（ $d \le \tau_{IDO}$ ）： 不进行自适应。
2. 分布内离群值（ $\tau_{IDO} < d \le \tau_{OOD}$ ）： 对现有原型进行自适应（更新均值和方差），以包含新的样本，从而缓解逐渐发生的领域漂移。
3. 分布外数据（ $d > \tau_{OOD}$ ）： 系统识别出一个新类别。通过一种少样本学习方案，在阵列的空闲行中分配一个新的原型，从而在不覆盖现有知识的情况下扩展分类器的能力。

核心贡献

硬件原生 RBF 神经元： 本文引入了 TXL 单元作为 RBF 神经元的物理实现，能够在模拟域内直接进行基于度量的分类。
高能效相似性搜索： 通过使用基于 RRAM 的 ACAM，该设计实现了 $O(1)$ 复杂度的模板匹配，绕过了存储墙。
在线自适应机制： 系统支持“即时”学习，其中感受野参数可以进行微调，以追踪领域偏移或新类别，而无需进行完整的模型重训。
可解释性： 与不透明的前馈层不同，其决策过程可以明确追溯到输入与存储原型之间的接近程度，具有内在的可解释性。

结果

能量与延迟： 在 180 nm CMOS 工艺（采用 TiN/HfON/TiN RRAM）上的电路级仿真（SPICE-Spectre）表明，在 100 MHz 频率下，每个单元每次操作的能耗为 185 fJ。每次搜索的延迟约为 100 ns。
分类准确率：
- 在人工几何符号数据集上，系统在初始训练和自适应后均达到了 100% 的准确率。
- 在 MNIST 数据集（降采样至 7x7）上，系统在自适应前达到 89.1% 的准确率，自适应后为 85.5%。作者指出，轻微的准确率下降归因于缺乏特征提取层以及输入的降采样，而非 TXL 核心机制的问题。
自适应性能： SPICE 仿真证明了系统能够成功地将现有原型自适应于离群样本（重塑感受野），并为未知类别分配新原型（例如，在圆、三角形和叉号的数据集中引入“矩形”类），同时保持现有原型的完整性。

意义
本文声称，所提出的基于 TXL 的架构为稳健、高能效的边缘计算提供了一条可行路径，适用于安全关键型应用。通过实现原位自适应，该系统解决了领域偏移的挑战，使边缘设备在遇到与训练数据不同的现实世界数据分布时仍能保持可靠性。作者将这项技术定位为迈向边缘侧持续学习的一步，即系统可以在不产生灾难性遗忘或不需要外部数据标注的情况下，扩展其分类能力并适应新环境。该工作展望了未来在远程监控、可穿戴传感器和自动驾驶中的部署，前提是需要通过校准来管理 RRAM 的变异性、保持性和耐久性等挑战。