中文 英语

算法HW框架,最大限度地降低精度退化,数据移动和DNN加速器的能源消耗(佐治亚理工学院)


这篇题为“克服混合信号DNN加速器缺陷的算法-硬件协同设计框架”的新研究论文由佐治亚理工学院的研究人员发表。根据论文的摘要,“近年来,基于内存处理(PIM)的混合信号设计已被提出作为具有超高吞吐量的能源和面积高效解决方案来加速DNN通信……»阅读更多

人工智能功耗暴增


机器学习正在消耗所提供的所有能源,这是一种昂贵、低效且不可持续的模式。在很大程度上,这是因为这个领域是新的、令人兴奋的、快速增长的。它的设计是为了在精度或性能方面取得新的突破。今天,这意味着更大的模型和更大的训练集,这需要处理过程的指数级增长。»阅读更多

最小RISC-V


微控制器几乎无处不在,但RISC-V能满足这个市场的需求吗?它是否小到足以取代8位处理器?什么可以帮助人们迁移到更现代的处理器架构?RISC-V定义了一个32位处理器指令集体系结构(ISA),它是开源的,可以以各种方式免费实现。它被吹捧为一个非常小和e…»阅读更多

如何提高数据中心的能源和电源效率


数据中心的能源成本随着产生的数据量的爆炸式增长而飙升,而日益密集的处理元素(产生更多的热量)和不平衡的服务器利用率(需要更多的机器供电和冷却)之间的不平衡使情况变得更糟。挑战是在不牺牲性能的情况下最大化利用率,在过去……»阅读更多

助力边缘:使用Ethos-N77处理器驱动最佳性能


重新利用CPU、GPU或DSP是向边缘设备添加ML功能的简单方法。然而,在响应性或电源效率至关重要的情况下,专用的神经处理单元(NPU)可能是最佳解决方案。在本文中,我们描述了Arm Ethos-N77 NPU如何提供最佳性能。请按此处立即下载论文。»阅读更多

人工智能芯片会消耗多少能量?


当涉及到权力时,人工智能和机器学习有着贪婪的胃口。在训练方面,他们将充分利用高度并行的处理器和加速器阵列中的每一个可用的处理元素。在推理方面,他们将继续优化算法,以最大化系统被设计用来执行的任何任务的性能。但就像汽车一样,里程差别很大。»阅读更多

AI硅到系统成功的多物理场模拟


实现电源效率、电源完整性、信号完整性、热完整性和可靠性对于产品的成功至关重要,通过克服人工智能硬件的尺寸和复杂性挑战,并为快速发展的人工智能软件进行优化。ANSYS全面的芯片,封装和系统解决方案通过打破设计边界和筒仓式设计,为AI硬件设计师提供支持。»阅读更多

在人工智能中更好地利用内存


Rambus研究员和杰出的发明家Steven Woo谈到了使用数字格式来扩展内存带宽,对分数精度的影响,如何在不牺牲精度的情况下对精度进行修改,以及随机舍入可以发挥什么作用。»阅读更多

GDDR6 - HBM2权衡


Rambus研究员和杰出的发明家Steven Woo谈到了为什么设计师选择一种内存类型而不是另一种。在过去,每种类型的应用程序都有明确的划分,但现在界限开始模糊了。尽管如此,仍然需要权衡复杂性、成本、性能和电源效率。负载下相关视频延迟:HBM2 vs. GDDR6为什么数据流量和带宽…»阅读更多

理解DRAM


Synopsys产品营销高级经理Graham Allan研究了从GDDR到HBM的不同类型的DRAM,它们用于哪些市场,以及为什么它们之间存在如此大的差异。https://youtu.be/ynvcPfD2cZU __________________________________ 看到更多的技术演讲视频。»阅读更多

←老帖子
Baidu