Carbon-Efficient 3D DNN Acceleration: Optimizing Performance and Sustainability

要約

深いニューラルネットワーク（DNNS）が人工知能の進歩を引き続き促進するにつれて、ハードウェアアクセラレータの設計は、複雑な製造プロセスにより、具体化された二酸化炭素排出量に対する懸念の高まりに直面しています。
3D統合はパフォーマンスを向上させますが、持続可能性の課題を導入し、炭素認識の最適化を不可欠にします。
この作業では、3D DNN加速器の炭素効率の高い設計方法論を提案し、炭素遅延製品（CDP）を最適化するために、近似コンピューティングと遺伝的アルゴリズムベースの設計スペース探索を活用します。
面積効果のあるおおよその乗数を乗数蓄積（MAC）ユニットに統合することにより、当社のアプローチは、高い計算精度を維持しながら、シリコン領域と製造オーバーヘッドを効果的に削減します。
3つのテクノロジーノード（45nm、14nm、および7nm）にわたる実験的評価は、私たちの方法が、精度が無視できる低下で具体化された炭素を最大30％減少させることを示しています。

要約(オリジナル)

As Deep Neural Networks (DNNs) continue to drive advancements in artificial intelligence, the design of hardware accelerators faces growing concerns over embodied carbon footprint due to complex fabrication processes. 3D integration improves performance but introduces sustainability challenges, making carbon-aware optimization essential. In this work, we propose a carbon-efficient design methodology for 3D DNN accelerators, leveraging approximate computing and genetic algorithm-based design space exploration to optimize Carbon Delay Product (CDP). By integrating area-efficient approximate multipliers into Multiply-Accumulate (MAC) units, our approach effectively reduces silicon area and fabrication overhead while maintaining high computational accuracy. Experimental evaluations across three technology nodes (45nm, 14nm, and 7nm) show that our method reduces embodied carbon by up to 30% with negligible accuracy drop.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google