Buchumschlag

Modeling Analog-Digital-Converter Energy and Area for Compute-In-Memory Accelerator Design

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Andrulis, Tanner, Chen, Ruicong, Lee, Hae-Seung, Emer, Joel S., Sze, Vivienne
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Hardware Architecture
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CiMLoop: A Flexible, Accurate, and Fast Compute-In-Memory Modeling Tool
von: Andrulis, Tanner, et al.
Veröffentlicht: (2024)

The Turbo-Charged Mapper: Fast and Optimal Mapping for Energy-efficient and Low-latency Accelerator Design
von: Gilbert, Michael, et al.
Veröffentlicht: (2026)

Fast and Fusiest: An Optimal Fusion-Aware Mapper for Accelerator Design
von: Andrulis, Tanner, et al.
Veröffentlicht: (2026)

Architecture-Level Modeling of Photonic Deep Neural Network Accelerators
von: Andrulis, Tanner, et al.
Veröffentlicht: (2024)

LoopTree: Exploring the Fused-layer Dataflow Accelerator Design Space
von: Gilbert, Michael, et al.
Veröffentlicht: (2024)

Tailors: Accelerating Sparse Tensor Algebra by Overbooking Buffer Capacity
von: Xue, Zi Yu, et al.
Veröffentlicht: (2023)

Compute SNR-Optimal Analog-to-Digital Converters for Analog In-Memory Computing
von: Kavishwar, Mihir, et al.
Veröffentlicht: (2025)

HCiM: ADC-Less Hybrid Analog-Digital Compute in Memory Accelerator for Deep Learning Workloads
von: Negi, Shubham, et al.
Veröffentlicht: (2024)

Investigating Energy Bounds of Analog Compute-in-Memory with Local Normalization
von: Rojkov, Brian, et al.
Veröffentlicht: (2026)

Design of a 6-bit Threshold Inverter Quantization (TIQ) Flash Analog to Digital Converter (ADC)
von: Sarkar, Noyon Kumar, et al.
Veröffentlicht: (2025)

FuseMax: Leveraging Extended Einsums to Optimize Attention Accelerator Design
von: Nayak, Nandeeka, et al.
Veröffentlicht: (2024)

LIMCA: LLM for Automating Analog In-Memory Computing Architecture Design Exploration
von: Vungarala, Deepak, et al.
Veröffentlicht: (2025)

TeAAL: A Declarative Framework for Modeling Sparse Tensor Accelerators
von: Nayak, Nandeeka, et al.
Veröffentlicht: (2023)

Xpikeformer: Hybrid Analog-Digital Hardware Acceleration for Spiking Transformers
von: Song, Zihang, et al.
Veröffentlicht: (2024)

The Data Conversion Bottleneck in Analog Computing Accelerators
von: Meech, James T., et al.
Veröffentlicht: (2023)

Hardware-Software Co-Design for Accelerating Transformer Inference Leveraging Compute-in-Memory
von: Kim, Dong Eun, et al.
Veröffentlicht: (2025)

Mambalaya: Einsum-Based Fusion Optimizations on State-Space Models
von: Odemuyiwa, Toluwanimi O., et al.
Veröffentlicht: (2026)

In-Pipeline Integration of Digital In-Memory-Computing into RISC-V Vector Architecture to Accelerate Deep Learning
von: Spagnolo, Tommaso, et al.
Veröffentlicht: (2026)

An Analog and Digital Hybrid Attention Accelerator for Transformers with Charge-based In-memory Computing
von: Moradifirouzabadi, Ashkan, et al.
Veröffentlicht: (2024)

Sparse-on-Dense: Area and Energy-Efficient Computing of Sparse Neural Networks on Dense Matrix Multiplication Accelerators
von: Yoon, Hyunsung, et al.
Veröffentlicht: (2026)

A 33.6-136.2 TOPS/W Nonlinear Analog Computing-In-Memory Macro for Multi-bit LSTM Accelerator in 65 nm CMOS
von: Yang, Junyi, et al.
Veröffentlicht: (2025)

A PVT-Resilient Subthreshold SRAM-Based In-Memory Computing Accelerator with In-Situ Regulation for Energy-Efficient Spiking Neural Networks
von: Kao, Shih-Hang, et al.
Veröffentlicht: (2026)

AnalogNAS-Bench: A NAS Benchmark for Analog In-Memory Computing
von: Bessalah, Aniss, et al.
Veröffentlicht: (2025)

FusionCIM: Accelerating LLM Inference with Fusion-Driven Computing-in-Memory Architecture
von: Xuan, Zihao, et al.
Veröffentlicht: (2026)

ADS-IMC: Accelerating Data Sorting with In-Memory Computation
von: Dhakad, Narendra Singh, et al.
Veröffentlicht: (2026)

Kernel Approximation using Analog In-Memory Computing
von: Büchel, Julian, et al.
Veröffentlicht: (2024)

IMAGine: An In-Memory Accelerated GEMV Engine Overlay
von: Kabir, MD Arafat, et al.
Veröffentlicht: (2024)

AutoRAC: Automated Processing-in-Memory Accelerator Design for Recommender Systems
von: Cheng, Feng, et al.
Veröffentlicht: (2025)

Hardware-Software Co-Design of Scalable, Energy-Efficient Analog Recurrent Computations
von: Fyon, Arthur, et al.
Veröffentlicht: (2026)

RACE-IT: A Reconfigurable Analog Computing Engine for In-Memory Transformer Acceleration
von: Zhao, Lei, et al.
Veröffentlicht: (2023)

Area-Efficient In-Memory Computing for Mixture-of-Experts via Multiplexing and Caching
von: Gao, Hanyuan, et al.
Veröffentlicht: (2026)

FIGLUT: An Energy-Efficient Accelerator Design for FP-INT GEMM Using Look-Up Tables
von: Park, Gunho, et al.
Veröffentlicht: (2025)

When Pipelined In-Memory Accelerators Meet Spiking Direct Feedback Alignment: A Co-Design for Neuromorphic Edge Computing
von: Ren, Haoxiong, et al.
Veröffentlicht: (2025)

A Fully Hardware Implemented Accelerator Design in ReRAM Analog Computing without ADCs
von: Dang, Peng, et al.
Veröffentlicht: (2024)

Memory-Guided Unified Hardware Accelerator for Mixed-Precision Scientific Computing
von: Wang, Chuanzhen, et al.
Veröffentlicht: (2026)

AccelCIM: Systematic Dataflow Exploration for SRAM Compute-in-Memory Accelerator
von: Xue, Chenhao, et al.
Veröffentlicht: (2026)

AnalogMaster: Large Language Model-based Automated Analog IC Design Framework from Image to Layout
von: Qin, Xian Rong, et al.
Veröffentlicht: (2026)

MIREDO: MIP-Driven Resource-Efficient Dataflow Optimization for Computing-in-Memory Accelerator
von: He, Xiaolin, et al.
Veröffentlicht: (2025)

CIMPool: Scalable Neural Network Acceleration for Compute-In-Memory using Weight Pools
von: Li, Shurui, et al.
Veröffentlicht: (2025)

AnalogSAGE: Self-evolving Analog Design Multi-Agents with Stratified Memory and Grounded Experience
von: Wang, Zining, et al.
Veröffentlicht: (2025)