目前，有許多用于各種機器學習模型的硬件加速器，日前瑞薩電子已經提出了一種基于SRAM的三進制系統來加速卷積神經網絡（CNN）計算，也就是通常所說的存算一體化。采用該加速器的瑞薩測試芯片實現了8.8 TOPS/W的功率效率，這是業界最高級別的功率效率。瑞薩加速器基于內存處理（PIM）架構，這是一種越來越流行的AI技術方法，其中當從該存儲器讀出數據時，在存儲器電路中執行乘法和累加運算。

　　機器學習的挑戰之一是圍繞輸入和輸出的數據以及計算中涉及的權重進行優化。瑞薩此次采用的是三進制方式，通過使用兩個單比特存儲單元實現-1,0或1的數據結構。

　　瑞薩的硬件可以利用存儲值為-1,0或1的三進制存儲單元。

　　基本的三進制存儲可以組合成多位解決方案，從而可以實現不同的精度，允許用戶優化精度和功耗之間的平衡。

　　硬件可以將三進制計算結合到多位操作中

　　傳統存儲器使用模數轉換器（ADC）讀取內容。這是一種經典的方法，但它需要空間用于ADC和電源。瑞薩將1位讀出放大器比較器與復制單元相結合，可以靈活地控制電流，從而開發出高精度的存儲器數據讀出電路。

　　當檢測到MAC結果等于零的狀態時，“零檢測器”可以停止比較器的操作

　　該策略意思是：通過神經網絡操作激活的節點（神經元）的數量非常小，約為1％，可以通過停止未激活神經元的電路，從而實現低功耗操作，同時顯著降低功耗。

　　由于制造過程中的工藝變化，導致SRAM結構中位線電流值產生誤差，從而造成存儲器讀取數據時出現錯誤。為解決這個問題，瑞薩在芯片內部覆蓋了多個SRAM計算電路模塊，由制造工藝變化最小的模塊執行計算任務。由于激活節點只是所有節點中的一小部分，因此激活節點被有選擇地分配給制造過程變化最小的SRAM計算電路模塊執行計算。從而將計算誤差降至幾乎可忽略的水平。

　　通過多個SRAM計算塊以解決由于工藝問題導致的計算誤差。

　　在VLSI會議上，瑞薩展示了內存處理（PIM）架構的芯片，該芯片采用12nm技術，包含四個集群，每個集群均包含了PIM、邏輯以及傳統的SRAM存儲器。每個集群可以獨立運行，因此，該系統一次可以管理多達四個CNN模型。該芯片最多可處理128個CNN層。PIM存儲量為4.74 Mb，SRAM存儲量為12.58 Mb。

　　瑞薩展示的具有四個cluster的三進制PIM

　　瑞薩推出了以下三種技術。一是可執行大規模CNN計算的三進制（-1，0，1）SRAM結構PIM技術。二是與比較器配合使用的SRAM電路，可在低功耗下讀取存儲器數據。三是能夠防止在制造過程中因工藝變化而導致的計算錯誤。將以上技術結合，既能縮短深度學習處理中的存儲器訪問時間，又可降低乘法和累加運算所需的功率。因此，當通過手寫字符識別測試（MNIST）進行評估時，新加速器在保持99%以上準確率的同時，達到了業界最高能效等級。

　　盡管該芯片目前只是原型階段，但它的確證實了通過新架構，可在降低功耗的同時顯著提高產品性能。