인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
Keyword spotting (KWS) is an essential technology for realizing always-on voice interfaces in edge devices, demanding extremely low-energy operation. Computing-in-Memory (CIM) architectures are promising for energy-efficient neural network processing by eliminating frequent external memory access. However, previous CIM-based KWS processors still suffer from low utilization in depthwise convolution (DWCONV) and significant energy consumption in analog-to-digital converters (ADCs). This paper presents an eDRAM-based CIM processor that achieves high integration density and ultra-low-energy end-to-end KWS operation through three key innovations. First, a frequency-selective stride convolution (FSSC) algorithm reduces the length of the raw audio input by 99.22%, thereby minimizing memory usage and computational complexity. Second, a multi-stationary CIM architecture maximizes hardware utilization in the DWCONV layer and reduces MAC energy by 95.26% by decreasing wordline driving activity. Third, a scalable-precision ADC optimizes capacitive digital-to-analog converter (CAP-DAC) switching energy according to the output range, achieving up to 75.71% lower conversion energy. As a result, the proposed processor achieves 95.1% accuracy on the 10-keyword Google Speech Commands dataset, with a macro-level energy efficiency of 34.8 TOPS/W and a system-level energy efficiency of 21.6 TOPS/W, consuming 0.62 µJ per decision.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
