《AdaP-CIM: Compute-in-Memory Based Neural Network Accelerator Using Adaptive Posit》（一）

---

1. 论文主要内容和研究方向

论文题目：《AdaP-CIM: Compute-in-Memory Based Neural Network Accelerator Using Adaptive Posit》

主要内容：
本论文提出了一种名为 AdaP-CIM 的神经网络推理加速器，主要创新点是结合了：

• 自适应Posit（AdaP）数值格式：在传统Posit格式基础上，提出了动态扩展指数编码的方法，以适应不同数据分布，提升数值动态范围，同时降低硬件开销。
• 推测式输入对齐（Speculative Alignment Unit, SAU）：用于在CIM架构下高效实现浮点MAC操作，通过比传统比较器树（Comparator Tree）更快更省功耗的方法确定最大指数值。

研究方向：
属于AI加速器设计、低精度数值格式、存内计算（Compute-in-Memory, CIM） 领域，旨在提升能效、降低面积和功耗，同时在低比特宽度下保持神经网络推理准确性。

---

2. 研究方法介绍（带截图）

（1）Adaptive Posit (AdaP) 格式

• 引入新的参数 rs（regime最大长度），限制Posit中regime部分的长度，避免因regime过长导致的尾数截断，提高数值表示精度。
• 采用双编码方案：当有效指数小于阈值T时采用传统Posit编码，否则使用扩展指数Eext编码。

截图（原文Fig.1）如下：

（注：若需，我可以单独为你截取图1具体内容）

---

（2）Speculative Alignment Unit (SAU)

• 传统方法（CT）需用比较器树逐层比较指数，延迟高、能耗大。
• SAU方法采用比特串行（bit-serial） 方式推测最大指数，大幅降低关键路径延迟，缩小面积和功耗。

截图（原文Fig.2）如下：

（注：如需，我可以为你完整截取SAU图）

---

3. 研究结果分析

（1）精度验证

• 在 BERT-Base-Uncased 模型 + GLUE 数据集上，AdaP-CIM相比Posit、AdaptivFloat表现更好，特别在7bit下，AdaP只比FP32下降0.013，而Posit下降了0.03。

实验对比表（原文Table I）：

Bit Width	CoLA (Matthews Corr.)	STS-B (Pearson Corr.)	MNLI (Matched Acc.)
7-bit Posit	0.546	0.834	0.816
7-bit AdaP	0.573	0.849	0.835

可以看到，AdaP在所有测试中都优于传统Posit和AdaptivFloat格式。

---

（2）PPA（性能/功耗/面积）结果

• 在 TSMC 28nm 工艺下综合：
  • 面积降低了 16.4%
  • 功耗降低了 25.7%
• 主要得益于：
  • AdaP限制regime长度，解码器面积功耗下降。
  • SAU代替CT，使对齐单元面积和能耗极大降低。

实验对比表（原文Table II）：

模块	面积占比	功耗占比
AdaP解码器	22.53%	10.29%
SAU对齐单元	1.02%	0.63%
传统Posit解码器	33.01%	18.66%
传统CT对齐单元	3.04%	15.17%

---

（3）对比实验中引用的其他项目

• 参考了 AdaptivFloat [4]，Posit [1] 和 OAQ [3]。
• 引用了Dimca [2] 作为Baseline。

其中，Posit有开源库：
🔗 Stillwater Universal C++ Posit Library

其他AdaptivFloat和OAQ目前无明确公开源码。

---

4. 论文出处及期刊会议等级

• 会议：Design, Automation & Test in Europe Conference (DATE 2024)
• 出版方：EDAA（European Design and Automation Association）
• CCF等级：B类国际会议
• 领域分区：微电子与设计自动化领域顶会之一

---

5. 是否有开源代码

论文正文没有提到有开源代码。
但由于涉及Posit，可以结合Stillwater Universal库进行相关仿真与实验。
如果后续作者有上传代码，一般可能会在GitHub或学校主页公布，目前未见。

---

6. 相关原文出处引用（部分摘录）

• “AdaP employs a fixed-length representation and chooses between two exponent encoding schemes for optimal runtime representation.”
• “By seamlessly integrating these two features, AdaP-CIM achieves a 4x higher memory density compared to FP32 at negligible accuracy loss.”
• “The proposed design reduces the overall area and power consumption of the macro by 16.4% and 25.7%, respectively, compared to the BL design.”

---

⚡整体总结：
这篇论文针对AI加速器中的存内计算（CIM）提出了结合新型自适应Posit格式和高效输入对齐的方法，有效提升了能效与面积效率，且在低比特宽度下保持了神经网络推理的准确率。

---

要不要继续，我可以帮你也做一下
➡️ "仿照论文风格总结一段中文综述"？
（方便你直接用在读书报告或者论文总结里）要的话告诉我！✨