Jun, 2023

异构 HPC 平台深度学习硬件加速器调查

PDF
TL;DR该论文概述了近年来深度学习加速器的最新进展，并分类了最具影响力的架构和技术，以便提供给读者一个全面的视角，最终提供了一些关于深度学习加速器未来挑战的见解，例如量子加速器和光子学。
deep learning acceleratorshpc applicationsgputpufpga-based accelerators
发现论文，激发创造
  • 异构架构深度学习加速设计方法综述

    深度学习加速器的设计方法和电子设计自动化工具经过综合评估，为实现高性能和能源效率提供了全面的视角。

    Nov, 2023

  • 机器学习加速器调查和基准测试

    本文研究了公开宣布具有性能和功耗数字的多核处理器和加速器的现状，发现其中一些趋势，包括功耗、数字精度以及推理与训练等方面的趋势，并选择并测试了两个低尺寸、重量和功率的商用加速器的实际表现，将其与报道的性能和功耗数值进行比较，并将其与嵌入式应用程序中使用的 Intel CPU 进行评估。

    Aug, 2019

  • 深度网络加速器在医疗和生物医学应用中的硬件实现

    本文介绍了各种技术如何被用于发展高效的深度学习加速器以解决医疗保健中的医学诊断、模式识别和信号处理等问题，同时探讨脉冲神经形态处理器如何拓展更多医学信号。最终，该文为读者提供了关于医疗保健和生物医学领域中不同加速器和神经形态处理器的优缺点、挑战和机遇的分析。

    Jul, 2020

  • 重新思考神经网络结构与硬件加速器的共同设计

    本研究系统研究了协同设计神经网络架构和硬件加速器的重要性和策略，发现不同的使用场景会导致非常不同的搜索结果，研究表明联合搜索方法在所有延迟目标上始终优于以前的面向平台的神经体系结构搜索、手动设计的模型和最先进的 EfficientNet，可将边缘加速器的能源消耗降低高达 2 倍。

    Feb, 2021

  • 评估新兴 AI/ML 加速器：IPU，RDU 和 NVIDIA/AMD GPU

    本研究对商业 AI / ML 加速器进行了初步评估和比较，通过对常见 DNN 运算符和其他 AI / ML 工作负载的一系列基准评估，揭示了数据流架构相对传统处理器设计的优势和性能权衡，并为研究原型的设计和性能期望提供了有价值的参考，从而促进为不断发展的 AI / ML 应用领域量身定制的下一代硬件加速器的发展。

    Nov, 2023

  • 面向下一代 AI 系统的多 DNN 加速器

    研究了使用 AI 技术的多个领域，阐述了深度神经网络的重要性以及针对多模态数据并发处理的多模型或并行 DNN 的管道，提出了新一代 AI 系统将具有多 DNN 工作负载的核心，需要计算机架构的额外突破，能够在 DNN 数量增加时仍保持高性能，同时满足服务质量要求，因此提出了多 DNN 加速器设计的主题。

    May, 2022

  • 基于 FPGA 的深度学习：过去、现在和未来

    本文综述以硬件加速为视角，探讨深度学习及可编程门阵列的发展趋势和革新，旨在讨论 FPGAs 在更好地为深度学习社区提供服务方面的最佳应用。

    Feb, 2016

  • 自主驾驶中的硬件加速器

    自动驾驶汽车中的计算平台通过机器学习模型记录大量传感器数据，并进行决策以确保车辆的安全运行。传统的计算机处理器缺乏感知和机器视觉要求的能力和灵活性。硬件加速器是专用的协处理器，可帮助自动驾驶汽车满足更高级别自主性的性能要求。本文概述了机器学习加速器的用途，特别是在自动驾驶汽车的机器视觉方面。我们为研究人员和实践者提供建议，并突出了该新兴领域的持续和未来研究的轨迹。

    Aug, 2023

  • 大型语言模型的硬件加速器调查

    该研究综述了与优化大型语言模型性能和能源效率相关的硬件加速器，涵盖了多种加速器的体系结构、性能指标和能源效率考虑，并为研究人员、工程师和决策者在现实应用中优化大型语言模型的部署提供了有价值的见解。

    Jan, 2024

  • 使用抽象计算机体系结构描述语言建模 AI 硬件加速器

    人工智能通过深度神经网络持续增长，为了充分发挥其潜力，特定的硬件加速器成为必需品。本文介绍了如何使用抽象计算机体系结构描述语言（ACADL）对人工智能硬件加速器进行建模，并使用它们的描述将深度神经网络映射到加速器上，进而解释时间模拟语义来获取性能结果。

    Jan, 2024