优化AI芯片能效 Thinker团队提供新思路 - OFweek智能硬件网 - bet36体育在线投注
侵权投诉
技术:
GPU/CPU 传感器 基础元器件 网络通信 显示 交互技术 电源管理 材料 操作系统 APP 云技术 大数据 人工智能 制造 其它
应用:
可穿戴设备 智能家居 VR/AR 机器人 无人机 手机数码 汽车 平衡车/自行车 医疗健康 运动设备 美颜塑身 早教/玩具 安防监控 智能照明 其它
当前位置:

OFweek智能硬件网

CPU/GPU

正文

bet36体育在线投注

导读: 目前,AI对硬件的计算要求越来越高,这主要在神经网络研发上压缩与简化则是一个学术界与bet36体育在线网界都在研究讨论的重要问题。目前的深度神经网络普遍较大,无论是在云端还是在终端,都会影响网络速度,增大功耗。

目前,AI对硬件的计算要求越来越高,这主要在神经网络研发上压缩与简化则是一个学术界与bet36体育在线网界都在研究讨论的重要问题。目前的深度神经网络普遍较大,无论是在云端还是在终端,都会影响网络速度,增大功耗。

优化AI芯片能效 Thinker团队提供新思路

前不久,清华大学微纳电子系Thinker团队在计算结构上设计了Thinker系列AI计算芯片,并且还受到学术界和工业界的广泛关注。Thinker团队此次研究成果,从存储优化和软硬件协同设计的角度大幅提升了芯片能量效率,给AI计算芯片的架构演进提供了新思路。

优化AI芯片能效 Thinker团队提供新思路

据了解,在这次AI计算芯片的存储优化新方法中,刷新了神经网络加速框架,而且可以得到两个优化方向,其一是减少数据生存时间,其二就是增大数据维持时间。其次,还提出神经网络分层的混合计算模式,根据芯片参数及DNN网络参数,对网络的每一层分配一个最优的计算模式。

但是,相比于传统的采用SRAM的AI计算芯片,使用RANA框架的基于eDRAM的计算芯片在面积开销相同的情况下可以减少41.7%的片外访存和66.2%的系统能耗,使AI计算系统的能量效率获得大幅提高。

声明: 本文系OFweek根据授权转载自其它媒体或授权刊载,目的在于信息传递,并不代表本站赞同其观点和对其真实性负责,如有新闻稿件和图片作品的内容、版权以及其它问题的,请联系我们。

我来说两句

(共0条评论,0人参与)

请输入评论

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码: