.png){kind=icon}
返回
DA-VinCi: A Deep-Learning Accelerator Overlay Using In-Memory Computing
.png){kind=icon}
OA
AI
DOI：10.1145/3770756.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当今深度学习模型所依赖的矩阵运算通常会实现在单指令多数据（SIMD）领域专用加速器中。包括GPU和阵列处理器的SIMD加速器可以有效利用计算密集型模型中的并行性，但其有效性可能会因内存密集型模型而降低。正在探索存储器内处理（PIM）架构，以提供这些内存密集型模型更好的能效和可扩展性能。现代现场可编程门阵列（FPGA）具有数百兆比特的静态随机存取存储器（SRAM），作为分布式解耦内存资源分布在设备上。这使得FPGA成为开发定制存储器内/近存储加速器的理想可编程平台。已提出多种基于PIM阵列的加速器设计，以利用这一巨大的内部带宽。然而，至今报道的结果显示，基于FPGA的PIM架构在系统时钟频率下运行，远低于芯片块随机存取存储器（BRAM）的最大时钟频率（Fmax）。结果还表明，设计中的计算密度与BRAM密度并非线性增长。这些结果表明，FPGA PIM架构将永远无法与定制的专用集成电路（ASIC）相竞争。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
