Les accélérateurs d'apprentissage profond sont essentiels pour répondre à la demande croissante en calcul des réseaux neuronaux modernes. Les accélérateurs basés sur des matrices d'impulsions sont composés d'éléments de traitement en grille bidimensionnelle qui travaillent ensemble pour accélérer les opérations de multiplication de matrices. L'efficacité de ces accélérateurs est cruciale, en particulier dans le contexte de l'intelligence artificielle sur le bord. L'accélérateur proposé SAPER-AI est un accélérateur basé sur une matrice d'impulsions, qui utilise un format de consommation d'énergie unifié pour définir son intention de consommation d'énergie, sans presque aucune optimisation de son micro-architecture. Cet accélérateur ferme grossièrement les éléments de traitement dans les lignes et colonnes, permettant ainsi à l'architecture de grille impulsionnelle de s'adapter à la demande de calcul en évolution constante des charges de travail d'apprentissage profond modernes. L'analyse montre que l'efficacité de la conception de grilles impulsionnelles de 32×32 et 64×64 augmente respectivement de 10% à 25% dans des conditions optimales. De plus, la puissance et le retard des grilles impulsionnelles s'améliorent d'environ 6%. De plus, les comparaisons de performances basées sur les modèles MobileNet et ResNet50 montrent que les grilles impulsionnelles ont généralement de meilleures performances lors du traitement de la charge de travail ResNet50. Cela est dû au fait que les calculs de convolution plus réguliers présentés par le modèle ResNet50 sont plus appréciés par les grilles impulsionnelles, et avec l'augmentation de la taille des grilles impulsionnelles, cet écart de performances s'agrandira encore.

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