返回
Joint Hardware-Workload Co-Optimization for In-Memory Computing Accelerators
DOI:10.1109/ACCESS.2026.3671360.png)
摘要
En 中文
软硬件协同设计对于优化用于神经网络的内存计算(IMC)硬件加速器至关重要。然而,大多数现有的优化框架针对单一工作负载,导致高度专业化的硬件设计难以在模型和应用之间通用。相比之下,实际部署场景需要一种能够高效支持多种神经网络工作负载的单一IMC平台。本研究提出了一种基于优化进化算法的联合硬件-工作负载协同优化框架,用于设计通用的IMC加速器架构。通过明确捕捉跨工作负载的权衡而非针对单一模型进行优化,所提出的方法显著缩小了特定工作负载与通用IMC设计之间的性能差距。该框架在基于RRAM和SRAM的IMC架构上进行了评估,展示了在多样化设计场景中的强鲁棒性和适应性。与基线方法相比,优化后的设计在优化小规模工作负载集(4个工作负载)和大规模工作负载集(9个工作负载)时,分别实现了能量-延迟-面积积(EDAP)最高76.2%和95.5%的降低。该框架的源代码可在https://github.com/OlgaKrestinskaya/JointHardwareWorkloadOptimizationIMC获取。
Keyword:
Design space exploration
in-memory computing
software-hardware co-design
RRAM
SRAM
hardware optimization
期刊
IF:
3.6
论文数:
9.8W
被引数:
36.3W

