Investigadores de múltiples universidades han abordado el desafío de diseñar aceleradores de chiplets DNN a gran escala, centrándose en optimizar el costo monetario (MC), el rendimiento y la eficiencia energética. La complejidad surge de la interacción de varios parámetros, incluida la comunicación de red en chip (NoC), las posiciones centrales y diferentes atributos DNN. Es crucial explorar un vasto espacio de diseño para encontrar soluciones efectivas.
Actualmente, los aceleradores DNN existentes necesitan ayuda para lograr un equilibrio óptimo entre MC, rendimiento y eficiencia energética. Introdujeron el marco de coexploración de arquitectura y mapeo para aceleradores de chiplets DNN, Gemini. Gemini emplea un método de codificación novedoso para definir esquemas de mapeo espacial de bajo consumo (LP), lo que permite una exploración exhaustiva de oportunidades de optimización ocultas. El marco utiliza un algoritmo de partición de gráficos basado en programación dinámica y un enfoque basado en recocido simulado (basado en SA) para la optimización.
El componente de mapeo de Gemini utiliza el algoritmo SA con cinco operadores diseñados para explorar eficientemente el espacio de mapeo espacial LP. Estos operadores incluyen la modificación de atributos de partición, el intercambio de núcleos dentro de grupos computacionales (CG) y el ajuste de atributos relacionados con DRAM. El marco optimiza dinámicamente la transmisión de datos, el flujo de datos dentro del núcleo y la comunicación de enlace D2D, lo que contribuye a mejorar el rendimiento y la eficiencia energética. El proceso de evaluación implica evaluar MC, consumo de energía y retraso a través de un módulo Evaluador.
El aspecto arquitectónico de Gemini proporciona una plantilla de hardware altamente configurable, lo que permite evaluaciones precisas de rendimiento, energía y MC. Los experimentos del marco propuesto muestran que la arquitectura explorada y el esquema de mapeo superan a los diseños de última generación (SOTA) existentes como Simba con mapeo Tangram. Gemini también logra mejoras significativas con solo un aumento marginal en MC, lo que demuestra su eficacia en la coexploración de la arquitectura y el mapeo del espacio.
En conclusión, el marco Gemini ofrece una solución integral a los complejos desafíos que plantea el diseño de aceleradores de chiplets DNN. Los experimentos no sólo validan la eficacia de Gemini sino que también arrojan luz sobre los beneficios potenciales de la tecnología chiplet en el diseño arquitectónico. En general, Gemini se destaca como una herramienta valiosa para investigadores y profesionales que buscan diseñar aceleradores DNN de alto rendimiento y eficiencia energética.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Unirse nuestro SubReddit de más de 35.000 ml, 41k+ comunidad de Facebook, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
Pragati Jhunjhunwala es pasante de consultoría en MarktechPost. Actualmente está cursando su B.Tech en el Instituto Indio de Tecnología (IIT), Kharagpur. Es una entusiasta de la tecnología y tiene un gran interés en el alcance del software y las aplicaciones de ciencia de datos. Siempre está leyendo sobre los avances en diferentes campos de la IA y el ML.