抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Deepニューラルネットワーク(DNNs)のハードウェア加速は,それらの膨大な計算強度を求めることを目的としている。この領域における加速の可能性を完全に実現するためには,DNNsのアルゴリズム的性質を理解し活用する必要がある。本論文は,DNNsにおける操作のビット幅が,それらの分類精度を損なうことなく減少できるというアルゴリズム的洞察に基づいて構築した。しかし,精度の損失を防ぐために,ビット幅はDNNsを横切って著しく変化し,個々に各層に対して調整される可能性がある。したがって,固定ビット幅加速器は最悪ケースビット幅要求に適合するために限られた利益を提供するか,または最終精度における劣化を必然的にもたらす。これらの欠陥を軽減するために,本研究ではDNN加速器の設計における新しい次元として動的ビットレベル融合/分解を導入した。著者らは,個々のDNN層のビット幅に適合するように動的に融合するビットレベル処理要素のアレイを構成するビットフレキシブル加速器であるビット融合を設計することにより,この次元を探索した。このアーキテクチャにおける柔軟性は,精度の損失なしに可能な最細か粒度における計算と通信を最小化することを可能にする。著者らは,8つの現実世界のフィードフォワードおよび再発DNNsを用いて,ビット融合の利点を評価した。提案したマイクロアーキテクチャをVerilogに実装し,45nm技術で合成した。合成結果とサイクルの正確なシミュレーションを用いて,2つの最先端のDNN加速器,EyerissとStripesに対するBit融合の利点を比較した。同じ面積,周波数,およびプロセス技術において,Bit FusionはEyeriss上で3.9xの高速化と5.1xのエネルギー節約を提供する。Stripesと比較して,ビット融合領域と周波数がStripesのそれらにセットされるとき,ビット融合は45nmノードにおいて2.6x高速化と3.9xエネルギー減少を提供した。16nmのGPU技術ノードへのスケーリングにより,ビット融合は,8ビットベクトル命令を使用する250ワットタイタンXpの性能にほぼ一致し,一方,ビット融合は,895ミリワットの電力を消費する。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
