Research indexJournal article
Разработка алгоритма настройки перестраиваемой вычислительной среды в составе аппаратного ускорителя искусственных нейронных сетей
Shatravin, Shashev
Cifrovaâ èkonomika.17 Nov 2022Open access
NobleIDark:/48914/w1/20260526/2666BA93DOI10.34706/de-2022-04-02
Разработка алгоритма настройки перестраиваемой вычислительной среды в составе аппаратного ускорителя искусственных нейронных сетей
Shatravin, Shashev · Cifrovaâ èkonomika. · 2022
NobleIDark:/48914/w1/20260526/2666BA93DOI10.34706/de-2022-04-02
Free to read at the publisher
You can read the abstract here, or the full text at the publisher.
Abstract
Возрастающая вычислительная сложность искусственных нейронных сетей поднимает важные вопросы производительности, гибкости и энергоэффективности используемого для их расчёта аппаратного обеспечения. Характеристики вычислительных устройств являются одним из основных факторов, ограничивающих применение сложных алгоритмов машинного обучения в мобильных и маломощных интеллектуальных системах. Проблеме разработки высокопроизводительных и энергоэффективных аппаратных ускорителей нейронных сетей на сегодняшний день уделяется большое внимание и предлагается множество различных решений. Одним из таких решений являются вычислители на основе перестраиваемых вычислительных сред, чьё устройство представляет собой сетку из однотипных настраиваемых вычислительных элементов. Важным аспектом их применения является необходимость настройки элементов для совместного решения сложных задач. В данной работе рассматривается алгоритм координатной настройки перестраиваемых вычислительных сред для применения в составе аппаратных ускорителей искусственных нейронных сетей. Описан процесс настройки сегментированной вычислительной среды, обеспечивающей высокое быстродействие ускорителя благодаря плавающему окну настройки и применению конвейеризации. Приведены результаты оценки длительности настройки сегментов разного размера на основе временных симуляций моделей среды на программируемых логических интегральных схемах (FPGA). Полученные результаты показывают высокое быстродействие предложенного алгоритма настройки. Полная настройка слоя из пятидесяти 15‑входовых нейронов занимает 77.5 нс. The increasing computational complexity of artificial neural networks raises important questions regarding the performance, flexibility, and power consumption of the hardware used. These characteristics of the hardware limit the use of state-of-the-art machine learning algorithms in low-power and mobile intelligent systems. Many studies pay attention to this problem and propose various solutions. One such solution is hardware based on reconfigurable computing environments. The reconfigurable computing environment is a regular grid of small similar configurable computing units. The process of configuring these units plays an important role in the implementation of complex algorithms on the entire environment. In this paper, we propose an algorithm for the coordinate-based configuration of computing environments for use in hardware accelerators of neural networks. The process of configuring a segmented environment that provides high performance by a floating configuration window and pipelining is described. Estimates of configuration time for environments of various sizes based on simulations for FPGA are presented. The obtained results show high performance of the proposed algorithm. The complete configuration process for an area with 50 neurons with 15 inputs each requires 77.5 ns.