OpenACMv2：面向近似DCiM的准确率约束协优化框架
机器学习
2026-03-16 v1 硬件体系结构
摘要
数字计算存储（DCiM）通过减少数据传输来加速神经网络。近似DCiM可进一步提高功耗-面积-性能（PPA），但需要在紧密耦合的架构和晶体管级选择之间进行准确率约束的协同优化。基于OpenYield，我们引入准确率约束协优化（ACCO），并present OpenACMv2，一个开放框架通过两级优化实现ACCO：（1）准确率约束的架构搜索，针对压缩器组合和SRAM宏参数，由快速基于图神经网络的PPA和误差代理驱动；（2）面向变动和PVT感知的晶体管规格设计，针对标准单元和SRAM存储单元。通过将ACCO解耦为架构层次探索和电路层次规格设计，OpenACMv2集成了经典的单目标和多目标优化器，实现强大的PPA-准确率权衡和稳健收敛。该工作流程兼容FreePDK45和OpenROAD，支持可重复评估和易于采用。实验表明，在受控准确率预算下，OpenACMv2实现了显著的PPA改进，使其能够快速进行近似DCiM的"情景探究"。该框架已发布在 https://github.com/ShenShan123/OpenACM。
引用
@article{arxiv.2603.13042,
title = {OpenACMv2: An Accuracy-Constrained Co-Optimization Framework for Approximate DCiM},
author = {Yiqi Zhou and Yue Yuan and Yikai Wang and Bohao Liu and Qinxin Mei and Zhuohua Liu and Shan Shen and Wei Xing and Daying Sun and Li Li and Guozhu Liu},
journal= {arXiv preprint arXiv:2603.13042},
year = {2026}
}
备注
Accepted by DAC2026. Initial version