Доктор Ту Фэнбин, доктор философии, факультет электронной науки и техники, сделал академический доклад на конференции
Международная конференция по компьютерной архитектуре является топ-конференцией в области компьютерной архитектуры. Эта конференция получила в общей сложности 378 материалов и 64 работ. Исследовательская работа Ту Фенгбина является единственной, подписанной первым отделом завершения в Китае в этом году. Профессор Инь Шуйи, автор этой статьи, является автором этой статьи профессором Инь Шуйи Университета Цинхуа, автором этой статьи является Т. Фенгбин. В число сотрудников также входят профессор Вэй Шаоцзюнь и профессор Лю Лейбо из отдела микроэлектроники и электроники Университета Цинхуа.
С ростом размеров нейронных сетей в приложениях искусственного интеллекта большое количество внебиржевых систем доступа к вычислительным микросхемам может привести к огромному энергопотреблению системы. Поэтому оптимизация хранилищ является основной проблемой, которая должна быть решена при проектировании вычислительных микросхем искусственного интеллекта. Исследовательская группа предлагает новую схему ускорения для нейронных сетей: рамочную схему ускорения нейронной сети для повышения долговечности данных (RANA). Рамка RANA использует три уровня методов оптимизации: методы обучения, связанные с жизненным циклом данных, гибридные вычислительные модели и поддержку. Обновленная оптимизированная память с расширенным динамическим памяти произвольного доступа (eDRAM) для оптимизации общего энергопотребления системы с трех уровней обучения, планирования и архитектуры. Экспериментальные результаты показывают, что структура RANA позволяет устранить 99,7% расходов на энергопотребление eDRAM, а производительность и По сравнению с традиционным вычислительным микросхем для искусственного интеллекта, использующим SRAM, вычислительная микросхема на базе eDRAM, использующая RANA-инфраструктуру, может сократить 41,7% внепикового доступа к памяти и 66,2% энергии системы при одинаковых накладных расходах. Потребление, повышение энергоэффективности системы искусственного интеллекта, приводит к существенному увеличению.
Концепция ускорения несущей сети с долговременной жизненной ситуацией (RANA)
Реконфигурируемая вычислительная команда микроэлектроники и наноэлектроники спроектировала Thinker I, Thinker II, Thinker S, основанная на реконфигурируемой архитектуре в последние годы, и привлекла большое внимание ученых и специалистов. Reconfigurable Computing Team Результаты исследований значительно улучшили энергоэффективность чипа с точки зрения оптимизации хранилища и совместного использования аппаратного и программного обеспечения и открыли новые направления для эволюции архитектуры вычислительных микросхем искусственного интеллекта.