ROBIN：一种鲁棒的光学二值神经网络加速器
机器学习
2021-07-13 v1 硬件体系结构
新兴技术
摘要
领域专用神经网络加速器因相比 CPU 和 GPU 具有更高的能效和推理性能而受到关注。因此，这类加速器非常适用于资源受限的嵌入式系统。然而，在这些加速器上映射复杂的神经网络模型仍会带来显著的能耗与内存消耗，以及较高的推理时间开销。利用单比特权重的二值化神经网络（BNN）代表了一种在加速器上高效实现和部署神经网络模型的方法。本文提出一种新颖的光学域 BNN 加速器，名为 ROBIN，它智能地集成了具有互补能力的异质微环谐振器光学器件，以高效实现 BNN 中的关键功能。我们在光学器件层面进行了详细的制造工艺偏差分析，探索了针对这些器件的高效校正调谐，并集成电路级优化以抵消热偏差。因此，我们提出的 ROBIN 架构在执行 BNN 模型时具备鲁棒、高能效、低延迟和高吞吐量的优良特性。我们的分析表明，ROBIN 可以超越已知最优的光学 BNN 加速器以及许多电子加速器。具体而言，我们的高能效 ROBIN 设计的每比特能耗比电子 BNN 加速器低约 4 倍，比近期提出的光子 BNN 加速器低约 933 倍；而高性能 ROBIN 设计相比电子和光子 BNN 加速器分别展现出约 3 倍和约 25 倍的性能提升。
引用
@article{arxiv.2107.05530,
title = {ROBIN: A Robust Optical Binary Neural Network Accelerator},
author = {Febin P. Sunny and Asif Mirza and Mahdi Nikdast and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2107.05530},
year = {2021}
}