[]萊斯大學(xué)的研究人員展示了設(shè)計創(chuàng)新的以數(shù)據(jù)為中心的計算硬件的方法，以及將硬件與機器學(xué)習(xí)算法共同設(shè)計的方法，這兩種算法可以將能源效率提高兩個數(shù)量級。

機器學(xué)習(xí)是自動駕駛汽車和許多其他高科技應(yīng)用背后的人工智能形式，它的進(jìn)步開創(chuàng)了一個新的計算時代—;—;以數(shù)據(jù)為中心的時代，并迫使工程師們重新思考75年來幾乎沒有受到挑戰(zhàn)的計算體系結(jié)構(gòu)的各個方面。

電氣與計算機工程助理教授林英彥（音）說：“問題是，對于目前機器學(xué)習(xí)最先進(jìn)的大規(guī)模深層神經(jīng)網(wǎng)絡(luò)來說，整個系統(tǒng)運行所需的90%以上的電力消耗在存儲器和處理器之間的數(shù)據(jù)移動上?！薄?/p>

Lin和合作者提出了兩種互補的方法來優(yōu)化以數(shù)據(jù)為中心的處理，這兩種方法都在6月3日的國際計算機體系結(jié)構(gòu)研討會（ISCA）上進(jìn)行了介紹，這是有關(guān)計算機體系結(jié)構(gòu)新思想和研究的主要會議之一。

數(shù)據(jù)中心架構(gòu)的驅(qū)動力與一個稱為馮·諾依曼瓶頸（von Neumann瓶頸）的問題有關(guān)，這是一個效率低下的問題，源于計算架構(gòu)中的內(nèi)存和處理分離，自1945年數(shù)學(xué)家約翰·馮·諾依曼發(fā)明數(shù)據(jù)中心架構(gòu)以來，這一問題一直占據(jù)著至高無上的地位。通過將內(nèi)存與程序和數(shù)據(jù)分離，von Neumann架構(gòu)允許一臺計算機具有難以置信的多功能性；根據(jù)從內(nèi)存中加載的存儲程序，計算機可以用來進(jìn)行視頻通話、準(zhǔn)備電子表格或模擬火星上的天氣。

但是將內(nèi)存與處理分開也意味著即使簡單的操作（如加2加2）也需要計算機處理器多次訪問內(nèi)存。深度神經(jīng)網(wǎng)絡(luò)中的大量操作使這種記憶瓶頸變得更糟，深度神經(jīng)網(wǎng)絡(luò)是通過“研究”大量先前示例來學(xué)習(xí)做出人性化決策的系統(tǒng)。網(wǎng)絡(luò)越大，它可以完成的任務(wù)就越困難，并且顯示的網(wǎng)絡(luò)示例越多，它的執(zhí)行效果就越好。深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練可能需要專門的處理器庫，這些處理器需要全天候運行一周以上?；谥悄芫W(wǎng)絡(luò)在智能手機上執(zhí)行任務(wù)可以在不到一個小時的時間內(nèi)耗盡電池電量。

賴斯高效智能計算（EIC）實驗室主任林說：“人們普遍認(rèn)為，對于機器學(xué)習(xí)時代的以數(shù)據(jù)為中心的算法，我們需要創(chuàng)新的以數(shù)據(jù)為中心的硬件架構(gòu)，但機器學(xué)習(xí)的最佳硬件架構(gòu)是什么？“

她說：“沒有一個答案是萬能的，因為不同的應(yīng)用程序需要的機器學(xué)習(xí)算法在算法結(jié)構(gòu)和復(fù)雜度方面可能有很大的不同，同時具有不同的任務(wù)精度和資源消耗，如能源成本、延遲和吞吐量折衷要求。許多研究人員正在進(jìn)行這方面的研究，英特爾、IBM和谷歌等大公司都有自己的設(shè)計?！?/p>

在ISCA 2020上，Lin的小組做了一個報告，提供了及時的結(jié)果，這是她和她的學(xué)生為“內(nèi)存處理”（PIM）開發(fā)的一個創(chuàng)新架構(gòu)，是一種將處理引入內(nèi)存陣列的非von Neumann方法。一個有前途的PIM平臺是“電阻隨機存取存儲器”（ReRAM），一種類似flash的非易失性存儲器。盡管已經(jīng)提出了其他的ReRAM-PIM加速器架構(gòu)，但林說，在10多個深度神經(jīng)網(wǎng)絡(luò)模型上運行的實驗發(fā)現(xiàn)，適時的ReRAM-PIM加速器的能效提高了18倍，其計算密度是最具競爭力的最先進(jìn)ReRAM-PIM加速器的30倍以上。

TIMELY是“時域、內(nèi)存執(zhí)行、局部性”的縮寫，它通過消除頻繁訪問主內(nèi)存以處理中間輸入和輸出以及本地內(nèi)存和主內(nèi)存之間的接口而導(dǎo)致效率低下的主要因素來實現(xiàn)其性能。

在主存儲器中，數(shù)據(jù)以數(shù)字方式存儲，但是當(dāng)將其帶入本地存儲器以進(jìn)行內(nèi)存中處理時，必須將其轉(zhuǎn)換為模擬量。在以前的ReRAM PIM加速器中，結(jié)果值從模擬轉(zhuǎn)換為數(shù)字，然后發(fā)送回主存儲器。如果將它們從主存儲器調(diào)用到本地ReRAM以進(jìn)行后續(xù)操作，則它們將再次轉(zhuǎn)換為模擬信號，依此類推。

通過使用本地存儲器中的模擬格式緩沖區(qū)，及時避免了不必要的訪問主存儲器和接口數(shù)據(jù)轉(zhuǎn)換的開銷。這樣，TIMELY幾乎可以將所需的數(shù)據(jù)保留在本地存儲陣列中，從而大大提高了效率。

該小組在ISCA 2020上提出的第二個建議是SmartExchange，該設(shè)計結(jié)合了算法和加速器硬件創(chuàng)新以節(jié)省能源。

“訪問主存儲器（DRAM）的能量要比執(zhí)行計算多花費200倍，因此SmartExchange的關(guān)鍵思想是強制執(zhí)行算法中的結(jié)構(gòu)，使我們可以將成本較高的內(nèi)存換成成本更低的內(nèi)存，成本計算?！?/p>

她舉例說：“例如，我們的算法有1000個參數(shù)。在傳統(tǒng)方法中，我們將所有1,000個存儲在DRAM中，并根據(jù)計算需要進(jìn)行訪問。使用SmartExchange，我們搜索以找到這1,000個中的某些結(jié)構(gòu)。然后，我們只需要存儲10個，因為如果我們知道它們之間的關(guān)系， 10和其余的990，我們可以計算990中的任何一個，而不必從DRAM調(diào)用它們“。

她說：“我們將這10個稱為‘基礎(chǔ)’子集，其想法是將它們存儲在靠近處理器的本地位置，以避免或大幅度減少為訪問DRAM而支付的費用”。

研究人員使用SmartExchange算法及其自定義的硬件加速器對七個基準(zhǔn)深度神經(jīng)網(wǎng)絡(luò)模型和三個基準(zhǔn)數(shù)據(jù)集進(jìn)行了實驗。他們發(fā)現(xiàn)，與最先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)加速器相比，該組合將等待時間減少了多達(dá)19倍。[]