Tiefe Lernbeschleuniger sind entscheidend, um den zunehmenden Bedarf an Berechnungen moderner neuronaler Netzwerke zu decken. Beschleuniger auf der Basis von Pulsarrays bestehen aus zweidimensionalen Gitterstrukturen, die zusammenarbeiten, um die Multiplikationsoperationen von Matrizen zu beschleunigen. Die Effizienz solcher Beschleuniger ist entscheidend, insbesondere im Kontext der künstlichen Intelligenz am Rand. Der vorgeschlagene Beschleuniger SAPER-AI ist ein Beschleuniger auf Basis eines Pulsarrays, der einheitliches Energieverbrauchsformat verwendet, um seine Absicht des Energieverbrauchs zu definieren, ohne seine Mikroarchitektur nahezu optimieren zu müssen. Dieser Beschleuniger schaltet grob die Verarbeitungselemente in Zeilen und Spalten ab, sodass sich die Pulsarray-Mikroarchitektur an den ständig wechselnden Rechenbedarf von modernen tiefen Lernlasten anpassen kann. Die Analyse zeigt, dass die Effizienz des Designs von Pulsarrays mit 32×32 und 64×64 in optimalen Fällen um 10% bis 25% steigt. Darüber hinaus verbessern sich die Leistung und die Verzögerung des Pulsarrays um etwa 6%. Darüber hinaus zeigen Leistungsvergleiche basierend auf den Modellen MobileNet und ResNet50, dass das Pulsarray normalerweise bessere Leistungen bei der Verarbeitung der ResNet50-Arbeitslast aufweist. Dies liegt daran, dass die regelmäßigeren Faltungsoperationen, die vom Modell ResNet50 präsentiert werden, vom Pulsarray bevorzugt werden, und mit zunehmender Größe des Pulsarrays wird dieser Leistungsunterschied weiter zunehmen.

Artificial intelligence (AI) accelerators;Application-specific integrated circuit (ASIC) design;Systolic arrays;Low-power designs