基于稀疏性、面积、能耗和数据移动的 ILP 加速器综合研究：一种近内存架构
硬件体系结构
2026-05-28 v2
摘要
整数线性规划 (ILP) 广泛用于解决实际优化问题，包括网络路由、地图路由和交通调度。然而，ILP 算法稀疏且分支密集，在传统 CPU 和 GPU 上效率低下。已有研究表明，即使在大规模并行系统上，大规模 ILP 问题也可能需要数十小时的执行时间，限制了其在面向实时决策的工作负载中的适用性。现有的 ILP 求解器如 Gurobi 采用软件级优化处理稀疏性，但仍面临吞吐量限制。GPU 基于的 ILP 求解器也受限于 GPU 不适合稀疏和分支密集型工作负载，导致线程发散、流式多处理器利用率不足以及频繁的主机-设备交互。本文提出了 SPARK——一种稀疏感知、复用感知、能效高、可重构的近缓存 ILP 加速器。SPARK 将现有 CPU 的 L1 缓存复用为提供近缓存加速，硬件开销仅约 1.4% 的 CPU 面积。该架构进行近缓存稀疏检测和稀疏感知计算，以减少无意义的计算和数据移动能耗。SPARK 还利用 ILP 算法中的计算复用模式来提高并行性和效率。该设计支持稀疏和稠密 ILP 以及线性规划 (LP)。在来自 MIPLIB 2017 的真实工作负载评估表明，对于稀疏 ILP，SPARK 相较于 AMD Zen3 CPU 和 NVIDIA Tesla V100 GPU 实现了最高可达 15 倍和 20 倍的性能提升，最高可达 152 倍和 740 倍的能耗降低。对于稀疏 LP，SPARK 相较于 CPU 和 GPU 基准实现了 7-17 倍的性能提升和 103-250 倍的能耗降低，展示了该架构的广泛适用性。
引用
@article{arxiv.2605.17158,
title = {A comprehensive study on ILP acceleration accounting for sparsity, area, energy, data movement using near-memory architecture},
author = {Siddhartha Raman Sundara Raman and Lizy K John and Jaydeep P. Kulkarni},
journal= {arXiv preprint arXiv:2605.17158},
year = {2026}
}