CIM-Tuner: 通过硬件-映射协同探索平衡SRAM-CIM加速器的计算与存储容量
硬件体系结构
2026-01-27 v1
摘要
作为一种新兴的AI计算加速器类型，SRAM存内计算（CIM）加速器具有高能效和高吞吐量的特点。然而，各种CIM设计和未被充分探索的映射策略阻碍了SRAM-CIM加速器中计算与存储平衡的充分探索，可能导致显著的性能下降。为了解决这个问题，我们提出了CIM-Tuner，一个通过硬件-映射协同探索在面积约束下实现硬件平衡和最优映射策略的自动化工具。它通过CIM宏的矩阵抽象和通用加速器模板确保了跨各种CIM设计的通用性。为了在不同硬件配置下实现高效映射，它采用了包含加速器级调度和宏级分块的细粒度两级策略。与先前的CIM映射相比，CIM-Tuner扩展的策略空间实现了1.58倍的能效提升和2.11倍的吞吐量提升。应用于具有相同面积预算的最先进CIM加速器时，CIM-Tuner也提供了可比的改进。仿真准确性已通过硅验证，CIM-Tuner工具已在https://github.com/champloo2878/CIM-Tuner.git开源。
引用
@article{arxiv.2601.18070,
title = {CIM-Tuner: Balancing the Compute and Storage Capacity of SRAM-CIM Accelerator via Hardware-mapping Co-exploration},
author = {Jinwu Chen and Yuhui Shi and He Wang and Zhe Jiang and Jun Yang and Xin Si and Zhenhua Zhu},
journal= {arXiv preprint arXiv:2601.18070},
year = {2026}
}