一种基于机器学习的开源全栈优化框架用于机器学习加速器
机器学习
2023-08-24 v1 硬件体系结构
摘要
可参数化机器学习（ML）加速器是近期 ML 突破的产物。为充分实现其设计空间探索（DSE），我们提出了一种物理设计驱动、基于学习的预测框架，用于硬件加速的深度神经网络（DNN）与非 DNN 的 ML 算法。它采用统一方法，将后端功耗、性能与面积（PPA）分析与前端性能仿真相结合，从而实现对后端 PPA 以及运行时、能耗等系统指标的真实估计。此外，我们的框架包含一种全自动 DSE 技术，通过对架构与后端参数的自动搜索来优化后端与系统指标。实验研究表明，对于 VTA 与 VeriGOOD-ML 两个深度学习加速器平台的 ASIC 实现，在商用 12 nm 工艺与面向研究的 45 nm 工艺下，我们的方法始终以平均 7% 或更小的预测误差预测后端 PPA 与系统指标。
引用
@article{arxiv.2308.12120,
title = {An Open-Source ML-Based Full-Stack Optimization Framework for Machine Learning Accelerators},
author = {Hadi Esmaeilzadeh and Soroush Ghodrati and Andrew B. Kahng and Joon Kyung Kim and Sean Kinzer and Sayak Kundu and Rohan Mahapatra and Susmita Dey Manasi and Sachin Sapatnekar and Zhiang Wang and Ziqing Zeng},
journal= {arXiv preprint arXiv:2308.12120},
year = {2023}
}
备注
This is an extended version of our work titled "Physically Accurate Learning-based Performance Prediction of Hardware-accelerated ML Algorithms" published in MLCAD 2022