要約
クロスバー アレイを使用したニューロモーフィック コンピューティングは、機械学習のコンピューティング効率を向上させる有望な代替手段として浮上しています。
これまでの研究では、基本的な数学演算を実行するためのクロスバー アレイの実装に焦点を当ててきました。
ただし、この論文では、チップ全体にタイル状に配置された物理クロスバー アレイに人工ニューラル ネットワークの層をマッピングすることの影響を調査します。
私たちは、最適な配列寸法を固定して物理タイルの数を決定し、特定の設計目標に対してこれらのタイルが占める最小領域を推定するための、簡略化されたマッピング アルゴリズムを開発しました。
この簡略化されたアルゴリズムは、同等のビンパッキング問題を解決する従来のバイナリ線形最適化と比較されます。
最適な解決策は必ずしもタイルの最小数に関係していないことがわかりました。
むしろ、タイル アレイの容量とその周辺回路のスケーリング特性の間の相互作用であることが示されています。
さらに、最適なマッピングには正方配列が常に最良の選択であるとは限らず、パフォーマンスの最適化にはタイルの総面積が犠牲になることがわかりました。
要約(オリジナル)
Neuromorphic computing with crossbar arrays has emerged as a promising alternative to improve computing efficiency for machine learning. Previous work has focused on implementing crossbar arrays to perform basic mathematical operations. However, in this paper, we explore the impact of mapping the layers of an artificial neural network onto physical cross-bar arrays arranged in tiles across a chip. We have developed a simplified mapping algorithm to determine the number of physical tiles, with fixed optimal array dimensions, and to estimate the minimum area occupied by these tiles for a given design objective. This simplified algorithm is compared with conventional binary linear optimization, which solves the equivalent bin-packing problem. We have found that the optimum solution is not necessarily related to the minimum number of tiles; rather, it is shown to be an interaction between tile array capacity and the scaling properties of its peripheral circuits. Additionally, we have discovered that square arrays are not always the best choice for optimal mapping, and that performance optimization comes at the cost of total tile area
arxiv情報
| 著者 | W. Haensch |
| 発行日 | 2024-11-07 15:50:42+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google