【儀表網(wǎng) 研發(fā)快訊】北京大學集成電路學院/集成電路高精尖創(chuàng)新中心楊玉超教授課題組在Nature Communications在線發(fā)表了題為“Physical Unclonable In-Memory Computing for Simultaneous Protecting Private Data and Deep Learning Models”的研究論文。該工作首次實現(xiàn)了片上集成的物理不可克隆存內(nèi)計算，并提出針對邊緣端存內(nèi)計算神經(jīng)網(wǎng)絡加速計算的新型編碼方案，能夠在低硬件開銷下實現(xiàn)對神經(jīng)網(wǎng)絡的輸入、權(quán)重和結(jié)構(gòu)信息的保護。
 

　　基于電阻式隨機存取存儲器(RRAM)的存內(nèi)計算(CIM)已成為一種具有高度發(fā)展?jié)摿Φ募夹g(shù)，可用于加速邊緣設(shè)備上的神經(jīng)網(wǎng)絡。存內(nèi)計算可以直接在存儲器中執(zhí)行乘法累加操作，從而顯著減少頻繁的數(shù)據(jù)傳輸并提高能效。然而，由于RRAM的非易失性特性，使用者可以在計算過程中從存內(nèi)計算內(nèi)核中提取存儲的神經(jīng)網(wǎng)絡權(quán)重。物理不可克隆函數(shù)(PUF)是一種利用每個實體的固有隨機性為每個實體提供唯一信息的器件。過去的工作曾提出，PUF能夠用于保護神經(jīng)網(wǎng)絡的知識產(chǎn)權(quán)，但是其硬件開銷仍然較高。目前仍缺乏有效實施PUF和存內(nèi)計算核心集成的方法，以提供有保護且高效的人工智能推理。
 

　　為了應對這些重要問題，楊玉超團隊提出了“RePACK”(重新打包)技術(shù)，這是一種基于RRAM的存內(nèi)計算的三重數(shù)據(jù)保護方案，可保護神經(jīng)網(wǎng)絡的輸入、權(quán)重和結(jié)構(gòu)信息。RePACK采用新穎的二分排序編碼方案，通過完全片上物理不可克隆功能重整數(shù)據(jù)。實驗結(jié)果表明，RePACK在128列憶阻器存內(nèi)計算內(nèi)核的復原復雜性增加到5.77×1075的有效性，而不會增加額外的時鐘周期。
 

　　圖1 RePACK系統(tǒng)架構(gòu)圖，其中PUF陣列通過RePACK機制直接作用于存內(nèi)計算陣列

 

　　研究團隊基于實際流片的RRAM陣列實現(xiàn)了具有高穩(wěn)定性和獨特性的片上PUF，并演示了物理不可克隆存內(nèi)計算。本研究中的1T1R PUF在108個讀取周期后達到<6.7810-6位誤碼率 (BER)(144K位零誤差)，在壓力測試中表現(xiàn)出高穩(wěn)定性。生成的PUF響應成功通過NIST測試。全面的可靠性測試證明了PUF在不同VDD、重復讀取、保持特性、可變溫度和長時間烘烤下的穩(wěn)定性。
 

圖2 RRAM陣列構(gòu)建物理不可克隆函數(shù)過程，編程方法采用了“兩步編程”策略
 

　　研究團隊進一步在40nm多核RRAM存內(nèi)計算陣列上實現(xiàn)和評估了基于RePACK的計算系統(tǒng)。這項工作代表了為邊緣計算和分布式學習開發(fā)穩(wěn)健、高效且保護知識產(chǎn)權(quán)的神經(jīng)網(wǎng)絡加速器的重要一步。它可以作為在聯(lián)邦學習或其他分布式學習系統(tǒng)中開發(fā)邊緣設(shè)備的硬件基礎(chǔ)設(shè)施。通過在保持計算效率的同時幫助保護知識產(chǎn)權(quán)，RePACK為重視隱私保護的實際應用程序提供了一種有潛力的解決方案。
 

圖3 實際部署展示出良好效果
 

　　北京大學集成電路學院博士生岳文碩為第一作者，楊玉超、北京大學集成電路學院助理教授燕博南與河北大學教授閆小兵為通訊作者。研究工作得到了國家重點研發(fā)計劃、國家杰出青年基金、后摩爾重大研究計劃、北京市自然科學基金、111計劃、集成電路高精尖創(chuàng)新中心等項目的資助。