清华微电子所团队提出AI芯片的存储优化新方法

清华微电子所博士生涂锋斌报告现场

ISCA是计算机体系结构领域的顶级会议。本次大会共收到378篇投稿，收录64篇论文，录用率仅为16.9%。本文是今年中国唯一被收录的署名第一完成单位的论文。尹首一副教授为本文通讯作者，论文合作者还包括清华大学微电子所魏少军教授和刘雷波教授等。

随着人工智能应用中神经网络规模的不断增大，计算芯片的大量片外访存会造成巨大的系统能耗，因此存储优化是人工智能计算芯片设计中必须解决的一个核心问题。可重构研究团队提出一种面向神经网络的新型加速框架：数据生存时间感知的神经网络加速框架（RANA）。RANA框架采用了三个层次的优化技术：数据生存时间感知的训练方法，混合计算模式和支持刷新优化的eDRAM存储器，分别从训练、调度和架构三个层面优化整体系统能耗。实验结果显示，RANA框架可以消除99.7%的eDRAM刷新能耗开销，而性能和精度损失可以忽略不计。相比于传统的采用SRAM的人工智能计算芯片，使用RANA框架的基于eDRAM的计算芯片在面积开销相同的情况下可以减少41.7%的片外访存和66.2%的系统能耗，使人工智能系统的能量效率获得大幅提高。

数据生存时间感知的神经网络加速框架（RANA）

可重构计算团队近年来基于可重构架构设计了Thinker系列人工智能计算芯片（Thinker I，Thinker II，Thinker S），受到学术界和工业界的广泛关注。可重构计算团队此次研究成果，从存储优化和软硬件协同设计的角度大幅提升了芯片能量效率, 为人工智能计算芯片的架构演进开拓了新方向。

原文发布时间为：2018-06-7

本文来自云栖社区合作伙伴“半导体行业观察”，了解相关信息可以关注“半导体行业观察”。