文章总结： 华中科技大学博士生刘锦鹏提出ICON-NIV方法，解决eNVM存内计算加速器中电压降与非线性I-V效应的耦合影响。该方法构建OU级简化模型及补偿表达式，提升神经网络等推理精度最高达71.9%，显著降低科学计算误差。成果已发表于CCFA类期刊TACO。 综合评分： 92 文章分类： AI安全,网络安全

华中科技大学博士生刘锦鹏的论文被期刊TACO录用

信息网络安全杂志

2026年1月23日 17:01 上海

基于新兴非易失存储器件（Emerging non-volatile memory, eNVM）的存内计算（Processing in memory, PIM）加速器，受到eNVM单元变化性、单元非线性I-V效应、电压降等耦合非理想因素影响，造成计算准确率大幅下降，严重阻碍了存内计算的实用化进程。传统采用计算单元（Operation unit，OU）为粒度的子阵列计算方式，虽能缓解单元变化性影响，但仍受到互连线寄生电阻（Parasitic wire resistance）带来的严重电压降（IR drop），以及单元非线性I-V（Nonlinear I-V，NIV）特性的耦合影响。并且，由于IR-NIV的相互依赖性，传统IR drop补偿方法、非线性I-V补偿方法亦或是两者的简单组合，都无法准确补偿结果。

实验室博士生刘锦鹏，在吴兵博士后、童薇教授、魏学亮博士后、冯丹教授的指导下，针对以上问题，提出了ICON-NIV方法，用于缓解eNVM加速器中IR drop与非线性I-V效应的耦合影响。本工作首先构建了OU级IR drop简化模型，通过忽略影响较小的OU内部互连线电阻，并将复杂的单元非线性I-V模型简化为保持足够精度的最优线性插值模型。基于上述简化，本工作推导出考虑IR-NIV耦合效应影响下，对OU计算输出结果进行补偿的数学表达式。该补偿表达式利用OU列输出结果，结合OU级IR drop简化模型，计算出实际施加在单元上电压值。同时，借助单元I-V简化模型，通过实际单元电压计算出非线性I-V影响下的实际单元电导。获取实际电压与电导后，ICON-NIV可精确补偿输出结果。该补偿表达式仅以OU的输入数据模式为参数，与应用特征无关，因此适用于各类应用场景。基于补偿表达式，本工作构建相应的补偿电路，并进一步将补偿电路多级流水化以提升吞吐量。

图1 简化IR drop/非线性I-V模型设计图

图2 ICON-NIV整体架构图

测试结果表明，在eNVM交叉阵列中以OU粒度进行计算时，ICON-NIV可缓解IR-NIV的影响，使神经网络和朴素贝叶斯模型的推理精度恢复3.03%～71.90%，科学计算中均方误差降低达1014倍。补偿电路各阶段延迟仅为7.21纳秒，与原始OU的计算延迟匹配。

表1 ICON-NIV补偿结果

该研究成果以“ICON-NIV: A Generalized Method for Mitigating the Impacts of IR Drop and Nonlinear I-V Effect in eNVM-based Accelerators”为题，已在《ACM Transactions on Architecture and Code Optimization》（CCF A类国际期刊）上发表。

来源：华中科技大学

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《华中科技大学博士生刘锦鹏的论文被期刊TACO录用》