M2RU: Memristiv-Architektur für energieeffizientes kontinuierliches Lernen am Edge

Die neueste Veröffentlichung auf arXiv präsentiert M2RU, eine Mixed‑Signal‑Architektur, die das Minion Recurrent Unit (MRU) für effiziente zeitliche Verarbeitung mit On‑Chip‑Lernen kombiniert. Durch die Integration von gewichteten Bit‑Streaming‑Techniken können mehrbitige digitale Eingaben direkt in Crossbars verarbeitet werden, ohne dass eine hochauflösende Analog‑Digital‑Umwandlung erforderlich ist.

Ein zentrales Merkmal von M2RU ist der eingebettete Experience‑Replay‑Mechanismus, der das Lernen stabilisiert, wenn sich die Datenverteilung ändert. Diese Kombination ermöglicht es, kontinuierliches Lernen auf ressourcenbeschränkten Edge‑Plattformen durchzuführen, ohne die typischen Energie- und Datenbewegungsprobleme herkömmlicher rekurrenter Netzwerke.

In Benchmarks erreicht M2RU beeindruckende 15 GOPS bei nur 48,62 mW, was 312 GOPS pro Watt entspricht. Die Genauigkeit bleibt innerhalb von 5 % der Software‑Baseline bei den Aufgaben Sequential MNIST und CIFAR‑10. Im Vergleich zu einem CMOS‑digitalen Design verbessert sich die Energieeffizienz um das 29‑fache. Eine geräteorientierte Analyse prognostiziert zudem eine Betriebsdauer von 12,2 Jahren unter kontinuierlichen Lernlasten.

Diese Ergebnisse positionieren M2RU als skalierbare und energieeffiziente Plattform für Echtzeit‑Anpassungen in Edge‑Intelligenz‑Anwendungen, die sowohl hohe Leistung als auch lange Lebensdauer erfordern.