Design av ett neuron-likt minne

Viktiga resultat som projektet gav

Målet i detta projekt var att utforska prestandaförbättringar som uppstår vid användandet av våra minnen. Analysen genomfördes genom att integrera vår minneslösning i en kommersiell processorbaserad machine learning-plattform. Med tester kunde vi erhålla pålitliga resultat om förbättringar i prestanda och energieffektivitet som visar att vi drastiskt kan förbättra dagens ledande teknik. Då beräkningskostnader i processorbaserad maskininlärning växer exponentiellt med klassifieringskomplexitet, förväntar vi oss ytterligare förbättringar i större applikationer.

Långsiktiga effekter som förväntas

Det ursprungliga målet att implementera ett småskaligt konvolutionellt neuralt nätverk som en hårdvaruaccelerator uppnåddes. Dessutom har vi implementerat tester för processorbaserade system som är specifika för användande inom för maskininlärning. Implementeringen av testerna på en kommersiell plattform gav oss fördelen att kunna jämföra vår förbättring med ledande teknik. Resultatet visar att det går att uppnå signifikanta förbättringar inom både prestanda och energieffektivitet genom att använda våra minnen.

Upplägg och genomförande

En av de ledande företagen inom EDA-verktyg har gett Xenergic åtkomst till en kommersiell plattform för processorbaserad, hårdvaruaccelererad maskininlärning. Detta gav oss fördelen att kunna arbeta i högre abstraktionslager och utforska våra ideer i realistiska användningsområden. Nya processorinstruktioner implementerades för att överföra beräkningstunga instruktioner till en hårdvaruspecifik accelerator. Vår analys bekräftar att den mest hårdvarukrävande operationen i ett konvolutionellt neuralt nätverk är konvoleringen.