面向卷积神经网络加速器的系统级高效功率与热估计方法——SAfEPaTh
机器学习
2024-07-26 v1 性能
摘要
设计高效、高性能且可靠的卷积神经网络（CNN）加速器因复杂的功率与热管理问题面临诸多挑战。本文引入SAfEPaTh，一种用于精确估计基于砖块（tile）CNN 加速器功率与温度的系统级新方法。该方法既覆盖稳态情形又覆盖瞬态情形，有效捕捉砖块之间流水线气泡的动态效应，并利用真实CNN工作负载进行全面评估。不同于传统方法，SAfEPaTh无需进行电路级仿真或芯片测量。我们的 methodology 利用TANIA——一种前沿混合数字-模拟砖块级加速器，其集成了模拟存储计算核心与数字计算核心。通过ResNet18模型的严格仿真结果，我们展示SAfEPaTh在CNN模型加速器映射探索及详细功率热估计方面的能力，可在500秒内完成估计。这种效率与准确性使SAfEPaTh成为设计师不可或缺的工具，使其能够在遵循严格功率热约束的同时优化性能。此外，SAfEPaTh的可适应性使其在各种CNN模型和加速器架构中都具备广泛适用性，彰显了其在能源效率可靠CNN加速器设计领域的广泛应用前景。该研究在动态功率热管理领域作出了重要贡献，缓解了关键挑战。
引用
@article{arxiv.2407.17623,
title = {SAfEPaTh: A System-Level Approach for Efficient Power and Thermal Estimation of Convolutional Neural Network Accelerator},
author = {Yukai Chen and Simei Yang and Debjyoti Bhattacharjee and Francky Catthoor and Arindam Mallik},
journal= {arXiv preprint arXiv:2407.17623},
year = {2024}
}