近日，2018级博士生徐嘉鸿（导师刘海坤教授）的论文“ReHarvest: an ADC Resource-Harvesting Crossbar Architecture for ReRAM-Based DNN Accelerators”被 ACM Transactions on Architecture and Code Optimization (TACO) 期刊录用。

近年来，基于ReRAM的存内计算加速器可以极大地提升神经网络应用的性能，并降低功耗。然而，现有的基于ReRAM存内计算加速器所采用的权重复制的数据映射方式以及层间流水线的并行方式面临着模数转换器（Analog-to-digital converter，ADC）利用率低、交叉阵列资源开销大的问题，不能充分发挥加速器的潜在性能。文章首先通过分析发现，现有的加速器架构采用了ADC-交叉阵列紧耦合的连接方式，迫使权重矩阵需要被重复放置在多个不同的交叉阵列中以提高对瓶颈资源ADC的利用率。然而，对于大型神经网络，交叉阵列资源往往不足以支撑这样的复制策略。为此，文章设计了ADC-交叉阵列解耦合的连接方式，使得每一个交叉阵列单元能充分利用所在瓦片（Tile）内的所有ADC单元，而每个ADC单元都能被每个交叉阵列复用。为了进一步提高ADC的资源利用率，进一步提出了跨瓦片的矩阵映射策略和相应的计算方式，充分利用不同瓦片的ADC资源，提高每次计算的性能。为了满足跨瓦片的矩阵映射策略和计算方式所带来的输入带宽需求，还设计了细粒度的数据分发和传输策略，减少数据传输时的冗余，提高片上数据传输效率。实验结果表明，与国际前沿的ReRAM存算一体加速器ISAAC、TinyADC以及FORMS相比，ReHarvest分别提高了平均4.8倍、4.9倍和3.2倍的ADC利用率，并分别实现了平均3.4倍、1.9倍和3.5倍的性能加速比。

ACM Transactions on Architecture and Code Optimization (TACO) 是计算机系统结构和编译领域最权威的国际学术期刊之一，也是中国计算机学会CCF A类期刊。每季度出版一期，每期录用论文20篇左右，主要关注计算机系统结构和代码优化方面的硬件、软件和系统研究等方面的研究。

（通讯员：徐嘉鸿）