.png){kind=icon}
返回
Designing Programmable Accelerators for Sparse Tensor Algebra
.png){kind=icon}
PRE
AI
DOI：10.1109/MM.2025.3556611.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期研究已聚焦于利用硬件加速器中的稀疏性，以提升涵盖科学计算到机器学习的各类应用效率。大多数此类先前的加速器均为固定功能型，这存在两方面不足：首先，应用通常包含密集和稀疏两种组件；其次，构成这些应用的算法持续演进。为应对这些挑战，我们设计了一款名为Onyx的可编程加速器，用以支持稀疏张量代数与密集型工作负载。Onyx通过可组合的硬件原语，扩展了针对密集应用优化的粗粒度可重构阵列（CGRA），以支持任意稀疏张量代数核心。本文中，我们展示了可通过添加一组用于并行化的硬件特性来进一步优化Onyx，这些特性能显著提升CGRA的时域与空域利用率，将运行时间缩短最高达6.2倍。
Keyword:
Tensors
Pipeline processing
Micromechanical devices
Repeaters
Random access memory
Arrays
Sparse matrices
Process control
Hardware acceleration
Product design
期刊
IF:
2.9
论文数:
141
被引数:
2.7K
.png){kind=icon}
查看更多内容