Architecture Carbon Tool v3: Enabling Sustainability-aware Silicon System Design Exploration
Meta Reality Labs Silicon FAIR(Meta Reality Labs 硅公平);Meta Reality Labs Sustainability FAIR(Meta Reality Labs 可持续性公平)
ACT3 是一个可扩展的建模平台,通过丰富的建模能力和设计空间探索,支持可持续感知的硅系统架构设计与优化。
2026-06-16 cs.AR
ZettaLith: An Architectural Exploration of Extreme-Scale AI Inference Acceleration
本文提出专用于AI推理的ZettaLith架构,通过放弃通用GPU并协同设计多项创新,预计2027年单机架可达1.507 zettaFLOPS,较现有GPU系统实现约1000倍以上成本与功耗优势。
2025-06-08 cs.AI cs.AR cs.DC
ScaleSimulator: A Fast and Cycle-Accurate Parallel Simulator for Architectural Exploration
下一代计算机系统的设计应该得到仿真基础设施的支持,仿真基础设施必须实现一些相互矛盾的目标,例如快速执行时间、高精度和足够的灵活性,以允许在大量可能的设计点之间进行比较。大多数现有的体系结构级仿真器被设计为灵活的,并行执行代码以提高效率,但代价是牺牲准确性。本文介绍了ScaleSimulator仿真环境,它是基于一种新的设计方法,其目标是实现近周期精度,同时仍然足够灵活,以模拟许多不同的未来系统架构,并足够有效地运行有意义的工作负载。我们通过在我们的方法中将并行性作为一等公民来实现这些目标。因此,本文主要集中在ScaleSimulator的设计点,使更好的并行执行,同时保持可扩展性和周期精度的模拟架构。该论文指出,新提出的ScaleSimulator工具可以(1)有效地并行执行周期精确的架构模拟器,(2)有效地模拟复杂的架构(例如,乱序CPU流水线、缓存一致性协议和网络)和大规模并行系统,以及(3)使用有意义的工作负载(如OLTP基准测试的完全模拟)来检查未来的体系结构选择。
2018-03-09 cs.AR cs.DC cs.PF
Architectural Classification of XR Workloads: Cross-Layer Archetypes and Implications
本文提出了一种跨层方法对XR工作负载进行架构分类,提炼出关键架构范式,并为下一代XR SoC提供了设计指导。
2026-01-15 cs.AR
Efficient SRAM-PIM Co-design by Joint Exploration of Value-Level and Bit-Level Sparsity
针对数字SRAM-PIM架构难以高效利用值级与位级稀疏性的问题,提出DB-PIM算法-架构协同设计框架,通过混合粒度剪枝与定制化宏单元跳过无效计算,最高实现8.01倍加速与85.28%能耗节省。
2025-06-12 cs.AR
The MosaicSim Simulator (Full Technical Report)
随着摩尔定律的放缓和Dennard Scaling的结束,架构师越来越多地转向异构并行和特定领域的软硬件协同设计。这些趋势为基于模拟的性能评估提出了新的挑战,而这些评估是早期架构探索的核心。模拟器必须是轻量级的,以支持通用核心和专用处理单元的丰富异构组合。它们还必须支持软硬件协同设计的敏捷探索,即编程模型、编译器、ISA和专用硬件的更改。为了应对这些挑战,我们引入了MosaicSim,一个轻量级的,模块化的异构系统模拟器,提供专门为硬件-软件协同设计探索设计的准确性和敏捷性。通过集成LLVM工具链,MosaicSim可以有效地对指令依赖关系进行建模,并在堆栈中灵活添加。它的模块化还允许不同硬件组件的组合和集成。我们首先展示了MosaicSim捕获应用程序中的架构瓶颈,并准确地模拟了多核环境中的扩展趋势和加速器行为。然后,我们提出了两个案例研究,MosaicSim使直接的设计空间探索新兴系统,即数据科学应用加速和异构并行架构。
2020-04-16 cs.AR
LUMINA: LLM-Guided GPU Architecture Exploration via Bottleneck Analysis
Microsoft Research(微软研究院)
LUMINA利用AI提升GPU设计空间探索效率,通过自动编译DSE规则和基准测试,实现高效高质量的设计指导,比传统方法提升17.5倍效率和32.9%的设计效果。
2026-03-18 cs.AI cs.AR
Design space exploration tools for the ByoRISC configurable processor family
本文介绍了ByoRISC(Build Your Own RISC)可配置专用指令集处理器(ASIP)系列。ByoRISC作为独立于供应商的核心,在基线处理器上提供了广泛的架构参数,这些参数可以通过特定于应用程序的硬件扩展(ASHE)进行定制。这样的扩展实现了多输入多输出(MIMO)定制指令与本地状态和加载/存储访问数据存储器。ByoRISC集成了真正的多端口寄存器文件、零开销自定义指令解码和可扩展的数据转发机制。考虑到这些设计决策,ByoRISC提供了独特的功能组合,允许它们用作架构测试平台,并无缝快速开发新的高性能ASIC。ByoRISC的性能特点,实现为供应商无关的核心,已被评估为ASIC和FPGA实现,它被证明是一个可行的解决方案,在基于FPGA的片上系统设计。一个图像处理管道的案例研究也提出了突出的过程中,利用ByoRISC定制处理器。可以观察到高达8.5 $\times$的峰值性能加速比,而在Xilinx Virtex-4目标上实现了4.4 $\times$的平均性能加速比。此外,ByoRISC在许多数据密集型应用程序内核的16宽配置中也优于名为VEX的实验性VLIW架构。
2014-03-26 cs.AR
AccelCIM: Systematic Dataflow Exploration for SRAM Compute-in-Memory Accelerator
School of Integrated Circuits, Peking University(北京大学集成电路学院);School of Electronics Engineering and Computer Science, Peking University(北京大学电子工程与计算机科学学院);School of Integrated Circuits, Southeast University(东南大学集成电路学院);School of Integrated Circuits, Anhui Polytechnic University(安徽工业大学集成电路学院)
本文提出AccelCIM框架,系统探索SRAM存内加速器的数据流,解决传统方法的两大局限:系统化设计空间和严格评估方法,通过模拟与布局分析提升DNN加速器性能。
2026-04-20 cs.AR
Hardware Generation and Exploration of Lookup Table-Based Accelerators for 1.58-bit LLM Inference
KU Leuven(荷语鲁汶大学)
本文提出一种基于查找表的加速器设计框架,通过系统化分析揭示了三元权重计算的架构权衡,优化设计在面积上比乘法器基线减少了2.2倍,并通过基准测试证明了参数修正可进一步提升性能。
2026-04-28 cs.AR
Architectural Exploration of Application-Specific Resonant SRAM Compute-in-Memory (rCiM)
本文提出一种自动化工具,通过优化SRAM设计的能耗和延迟,在TSMC 28nm技术的rCiM架构上比较6900多种设计策略,相比单宏基准实现平均降低80.9%能耗。
2024-11-14 cs.AR cs.CY cs.ET
Hot-LEGO: Architect Microfluidic Cooling Equipped 3DICs with Pre-RTL Thermal Simulation
Hot-LEGO 提出一种 Pre-RTL 热仿真方法,集成现有架构仿真器以支持微流控冷却和 3DIC 堆叠配置,通过更细粒度设计探索加速早期架构协同设计与最优微架构搜索。
2024-03-29 cs.AR
Assertion-Based Design Exploration of DVS in Network Processor Architectures
随着网络处理器技术的发展和对性能和功能的要求越来越高,功耗成为网络处理器设计中的主要考虑因素之一。在本文中,我们使用基于断言的系统级功耗/性能分析的方法来研究两个动态电压调节(DVS)技术,基于流量的DVS和基于执行的DVS,在网络处理器模型。使用自动生成的分布分析仪,我们分析的功率和性能分布,并研究其权衡的两个DVS政策与不同的参数设置,如阈值和窗口大小。我们讨论了在不同的设计要求下,这两种DVS策略的最佳配置。通过一组实验,我们表明,基于断言的痕迹分析方法是一个有效的工具,可以帮助设计师很容易地比较和研究最佳的建筑配置在一个大的设计空间。
2007-10-25 cs.AR
Multi-objective Optimization in CPU Design Space Exploration: Attention is All You Need
State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所处理器重点实验室);School of Computer Science and Technology, University of Chinese Academy of Sciences(中国科学院大学计算机科学与技术学院);University of Electronic Science and Technology of China(电子科技大学);School of Integrated Circuits, Peking University(北京大学集成电路学院)
提出首个端到端CPU设计空间探索框架AttentionDSE,通过基于注意力的神经架构原生集成性能预测与设计指导,利用滑动窗口降低复杂度并实现瓶颈自动分析,在SPEC CPU2017上实现更高Pareto超体积并大幅缩短探索时间。
2025-08-14 cs.AI cs.AR cs.LG
CLIPGen: A Chiplet Link IP Modeling and Generation Framework for 2.5D Architecture Exploration
New York University(纽约大学)
提出一种自动化的芯片间IP生成框架CLIPGen,为2.5D封装和通信配置提供功耗、性能和面积估计,支持架构师协同优化封装与芯片架构。
2026-05-26 cs.AR
FARSI: Facebook AR System Investigator for Agile Domain-Specific System-on-Chip Exploration
特定领域SoC(DSSoC)是具有严格功率/性能/面积约束的领域的有吸引力的解决方案;然而,它们遭受两个基本的复杂性。一方面,它们的许多专用硬件模块导致复杂的系统,从而导致高开发工作量。另一方面,它们的许多系统旋钮扩大了设计空间的复杂性,使得寻找最优设计变得困难。因此,要达到普及,驯服这种复杂性是必要的。这项工作确定了早期设计空间探索(DSE)框架的必要特征,该框架针对DSSoCs的复杂设计空间,并进一步提供了一个名为FARSI的实例,(F)acebook(AR)(S)approximate(I)nvestigator。具体来说,FARSI提供了一个敏捷的系统级仿真器,与Synopsys Platform Architect相比,其速度和准确度分别为8,400倍和98.5%。FARSI还提供了一个有效的探索启发式,并实现了高达16倍的改进收敛时间相比,天真的模拟退火(SA)。这是通过增强SA与建筑推理,如局部开发和瓶颈放松。此外,我们嵌入了各种协同设计功能,并表明平均而言,它们对收敛速度有32%的影响。最后,我们证明了使用简单的开发成本感知策略可以降低系统复杂性,无论是在组件数量和变化方面,都可以降低150%和118%(例如,用于片上网络子系统)
2022-01-17 cs.AR
Architectural Solutions for High-Speed Data Processing Demands of CERN LHC Detectors with FPGA and High-Level Synthesis
针对高亮度 LHC 的高速数据处理挑战,本文研究利用 HLS 从 C++ 生成 FPGA 硬件实现 tau 轻子触发算法,并比较多种架构与优化方案。
2024-10-27 cs.AR physics.ins-det
ReadyPower: A Reliable, Interpretable, and Handy Architectural Power Model Based on Analytical Framework
Hong Kong University of Science and Technology(香港科技大学)
ReadyPower是一种基于分析框架的可靠、可解释且易用的架构功耗模型,通过引入多级参数减少传统模型的不准确性,提升功耗预测的精度和实用性。
2025-12-16 cs.AR
Cool-3D: An End-to-End Thermal-Aware Framework for Early-Phase Design Space Exploration of Microfluidic-Cooled 3DICs
针对3DIC早期Pre-RTL阶段热感知设计空间探索工具稀缺的问题,提出集成主流模拟器与散热模型的Cool-3D框架,支持细粒度探索与定制,经案例验证有效,将开源发布。
2025-03-20 cs.AR
Cross-layer Optimization for High Speed Adders: A Pareto Driven Machine Learning Approach
The Chinese University of Hong Kong(香港中文大学);Intel Corporation(英特尔公司);Cadence Design Systems(楷登电子系统公司)
尽管现代电子设计自动化(EDA)工具已经成熟,但在架构阶段的优化设计在经历物理设计流程后可能会变得次优。加法器的设计一直是超大规模集成电路中的一个基本问题,但设计人员无法通过对现有的前缀加法器结构进行EDA工具来获得最优的解决方案。在本文中,我们加强了一个国家的最先进的前缀加法器综合算法,以获得更广泛的解决方案空间在建筑领域。最重要的是,一个基于机器学习的设计空间探索方法被应用到预测的帕累托边界的加法器在物理域中,这是不可行的穷尽运行EDA工具的无数的架构解决方案。考虑到获取学习真值的代价很高,在学习过程中采用主动学习算法选择代表数据,在保证Pareto前沿质量的同时使用较少的标记数据。实验结果表明,我们的框架可以实现高质量的帕累托边界在一个广泛的设计空间,弥合建筑和物理设计之间的差距。
2018-10-16 cs.AR cs.LG
CXLRAMSim v1.0: System-Level Exploration of CXL Memory Expander Cards
EPFL(洛桑联邦理工学院);School of Engineering and Management Vaud, HES-SO(沃邦工程与管理学院,瑞士西部应用科学大学)
本文提出CXLRAMSim,首个集成gem5的全系统模拟器,准确建模CXL设备在I/O总线的位置,支持未修改的Linux内核和软件栈,实现真实延迟带宽行为和与系统DRAM的真实交错。
2026-03-31 cs.AR cs.ET
Building an Open CGRA Ecosystem for Agile Innovation
针对AI和边缘应用对软硬件协同设计的需求,本文构建开放式CGRA生态系统,提出HyCUBE架构、PACE片上系统及Morpher设计框架,降低创新壁垒,推动敏捷硬件开发并呼吁建立统一抽象层。
2025-08-26 cs.AR
Crossing the Architectural Barrier: Evaluating Representative Regions of Parallel HPC Applications
Exascale计算将使人类更接近解决重要的社会,科学和工程问题。由于高原型成本,高性能计算(HPC)系统架构师利用仿真模型进行设计空间探索和软硬件协同设计。然而,随着HPC系统达到百万兆级的比例,模拟的成本增加,因为模拟器本身主要是单线程的。用于选择并行应用程序的代表性部分以降低运行成本的工具是普遍的,例如,BarrierPoint通过在模拟中分析基本块和重用距离等抽象特征来实现这一点。但是,HPC的新架构具有有限的可用工具集。在这项工作中,我们提供了一个独立的跨架构评估的实际硬件-跨英特尔和ARM -的BarrierPoint方法,当应用到并行HPC代理应用程序。我们提出这两种情况:当方法可以应用时,它不能。在前一种情况下,结果表明,我们可以通过运行较短的代表性部分来预测完整应用程序执行的性能。在后一种情况下,我们深入研究潜在的问题并提出改进建议。我们展示了高达178倍的总仿真时间减少,同时保持误差低于2.3%的周期和指令。
2018-03-20 cs.AR cs.DC cs.PF
STONNE: A Detailed Architectural Simulator for Flexible Neural Network Accelerators
Universidad de Murcia(穆尔西亚大学);Universidad Católica San Antonio(圣安东尼奥天主教大学);Georgia Institute of Technology(佐治亚理工学院)
设计专门的架构来加速深度神经网络(DNN)的推理过程是当今蓬勃发展的研究领域。第一代刚性方案已迅速被更先进的灵活加速器架构所取代,这些架构能够有效地支持各种层类型和尺寸。随着设计复杂性的增加,研究人员越来越需要使用周期精确的仿真工具,以便快速准确地探索设计空间,并在设计的早期阶段快速量化架构增强的功效。为此,我们提出了STONNE(神经网络引擎仿真工具),这是一个周期精确,高度模块化和高度可扩展的仿真框架,可以对运行完整的当代DNN模型的灵活加速器架构进行端到端评估。我们使用STONNE模型最近提出的MAERI架构,并显示它如何可以密切接近公开可用的BSV编码的MAERI实现的性能结果。然后,我们进行了全面的评估,并证明了为MAERI实施的折叠策略导致计算单元利用率非常低(5个DNN模型的平均利用率为25%),最终导致性能低下。
2020-06-10 cs.AR cs.LG eess.SP
Transaction-level Model Simulator for Communication-Limited Accelerators
加速器算法-架构协同设计的关键是在设计初期快速探索设计空间。在这项工作中,预RTL周期准确的加速器模拟器的SystemC事务级建模(TLM),AccTLMSim,提出了卷积神经网络(CNN)加速器。加速器模拟器跟踪加速器和DRAM之间的每个总线事务,考虑到通信带宽。仿真结果与Xilinx Zynq上的实现结果进行了对比验证。使用建议的模拟器,它表明,通信带宽严重影响DRAM延迟和总线协议开销。此外,环路平铺优化,以最大限度地提高性能的约束下的片内SRAM的大小。此外,提出了一种新的性能估计模型,以加快设计空间的探索。由于提出的模拟器和性能评估模型,可以在几十分钟内探索数百万个架构选项的设计空间。
2020-07-29 cs.AR
Towards Autonomous Accelerator Design: FPGA Accelerator Generation with SECDA
School of Computing Science, University of Glasgow, Scotland, UK(格拉斯哥大学计算机科学学院)
提出SECDA-DSE框架,集成大语言模型引导FPGA加速器设计空间探索,通过结构化探索器和LLM推理生成可综合的加速器设计,减少人工干预。
2026-06-09 cs.AI cs.AR cs.PF
Fine Grain 3D Integration for Microarchitecture Design Through Cube Packing Exploration
本文提出细粒度三维集成方法及立方体封装引擎,使逻辑块可跨多层硅层并协同优化性能、面积与温度,实验显示相比二维性能提升36%、功耗最多降低30%。
2025-07-13 cs.AR cs.ET
Tolerating Soft Errors in Processor Cores Using CLEAR (Cross-Layer Exploration for Architecting Resilience)
我们提出了CLEAR(跨层探索架构弹性),第一个同类框架,它克服了一个主要的挑战,在设计的数字系统,是弹性可靠性故障:实现所需的弹性目标,以最小的成本(能源,电力,执行时间,面积)通过结合弹性技术跨各层的系统堆栈(电路,逻辑,架构,软件,算法)。这也被称为跨层弹性。在本文中,我们专注于辐射引起的处理器核的软错误。我们解决单粒子翻转(SEU)和单粒子多重翻转(SEMU)在陆地环境中。我们的框架自动和系统地探索了大空间的综合弹性技术及其组合跨系统堆栈的各个层(本文中的586个跨层组合),得出了具有成本效益的解决方案,以最小的成本实现弹性目标,并为新的弹性技术的设计提供了指导方针。我们的研究结果表明,精心优化的电路级加固,逻辑级奇偶校验和微架构恢复的组合提供了一个高成本效益的软错误弹性解决方案的通用处理器内核。例如,对于无序内核,仅以2.1%的能源成本(对于有序内核为6.1%)实现了静默数据损坏率的50倍改进,而没有速度影响。然而,在对软错误对应用程序基准测试的影响进行全面分析的指导下,(应用程序感知)选择性电路级加固也提供了一种具有成本效益的软错误恢复解决方案(静默数据损坏率提高50倍,额外的能源成本约为1%)。
2017-09-28 cs.AR
LLM-Driven Design Space Exploration of FPGA-based Accelerators
School of Computing Science, University of Glasgow(格拉斯哥大学计算机科学学院)
本文提出SECDA-DSE框架,利用大语言模型自动化FPGA加速器的设计空间探索,通过结构化探索器和LLM栈实现高效配置生成与优化。
2026-05-07 cs.AI cs.AR cs.PF
TESSERA: A Workload-Driven Simulation and Design-Space Exploration Framework for Heterogeneous NPUs
Purdue University(普渡大学);Intel Corporation(英特尔公司)
提出MOSAIC框架,通过分析仿真和设计空间探索,支持异构神经处理单元(HPU)的细粒度微架构设计,在20个工作负载上实现比同构基线平均46.91%的等面积能效提升。
2026-09-23 cs.AR
MetaDSE: A Few-shot Meta-learning Framework for Cross-workload CPU Design Space Exploration
State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所处理器状态关键实验室);University of Chinese Academy of Sciences(中国科学院大学);University of Electronic Science and Technology of China(电子科技大学)
针对跨工作负载CPU设计空间探索(DSE)中现有迁移学习方法的过拟合、数据模糊和工作负载差异问题,提出少样本元学习框架MetaDSE,基于模型无关元学习快速适应新目标工作负载,实验显示预测误差降低44.3%,提升DSE效率。
2025-04-18 cs.AI cs.AR
MLDSE: Scaling Design Space Exploration Infrastructure for Multi-Level Hardware
MLDSE提出面向多层级硬件的设计空间探索基础设施,通过硬件IR建模、时空映射和事件驱动模拟三项创新,支持架构、参数与映射的三层DSE探索。
2025-03-27 cs.AR cs.DC
Runtime Energy Monitoring for RISC-V Soft-Cores
LINKS Foundation(LINKS基金会);Teseo SpA – EES CLEMESSY(Teseo公司–EES CLEMESSY);Morfo Design srl(Morfo设计公司);GE Avio srl(GE Avio公司)
本文提出结合测量板与基于 FPGA 的系统级模块的运行时能耗监测框架,无需复杂体系结构模型且不占用 FPGA 额外资源,并将用于优化 RISC-V 软核上浅层神经网络的性能与能耗。
2025-09-30 cs.AR
Modeling and Simulating Emerging Memory Technologies: A Tutorial
本教程通过四个案例研究展示了一个用于新兴非易失性存储器(NVM)架构探索与软硬件协同设计的开源仿真工具链,覆盖混合主存与缓存、存内计算和磨损均衡等系统设计领域。
2025-03-10 cs.AR
Computer Architecture's AlphaZero Moment: Automated Discovery in an Encircled World
NVIDIA Research(英伟达研究院)
计算机架构面临摩尔定律终结的挑战,传统方法已无法满足性能需求,本文提出通过自动化系统加速架构设计,显著提升效率。
2026-03-31 cs.AR cs.CY cs.LG
ACALSim: A Scalable Parallel Simulation Framework for High-Performance System Design Space Exploration
Mijotech Inc.(Mijotech公司);Taiwan High-Performance Computing Education Association(台湾高性能计算教育协会);National Cheng Kung University(国立成功大学);National Yang Ming Chiao Tung University(国立阳明交通大学)
提出ACALSim可扩展并行仿真框架,通过可插拔线程管理架构、事件驱动执行、共享内存数据模型和两阶段并行执行模型,实现高性能系统设计空间探索,在GPU仿真中相比SST获得14倍加速和41%更低内存占用。
2026-05-21 cs.AR cs.PF
Toward Large-Scale Photonics-Empowered AI Systems: From Physical Design Automation to System-Algorithm Co-Exploration
School of Electrical, Computer and Energy Engineering, Arizona State University(电气、计算机与能源工程学院,亚利桑那州立大学);School of Electrical, Computer, and Systems Engineering, Rensselaer Polytechnic Institute(电气、计算机与系统工程学院,伦塞拉尔理工学院)
本文提出了一种跨层工具链,用于大规模光子赋能AI系统的设计,涵盖从物理设计自动化到系统-算法共探索的全流程,通过实现感知建模和快速评估,提升架构决策的现实性。
2025-12-31 cs.AI cs.AR cs.ET
Agentic Architect: An Agentic AI Framework for Architecture Design Exploration and Optimization
Carnegie Mellon University(卡内基梅隆大学)
本文提出Agentic Architect框架,结合LLM驱动的代码进化与精确模拟,实现计算机架构设计的探索与优化,展示了在缓存替换、数据预取和分支预测等领域的性能提升。
2026-10-14 cs.AI cs.AR
LightRidge: An End-to-end Agile Design Framework for Diffractive Optical Neural Networks
本研究提出首个端到端光学机器学习编译框架LightRidge,通过可微光物理核、计算加速及易用DSL降低DONNs设计部署门槛,经物理系统实验验证其精度、速度、架构探索有效性及任务支撑能力。
2023-10-03 cs.AR physics.optics
Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration
Harvard University(哈佛大学);Google Research(谷歌研究院)
微处理器架构师越来越多地诉诸于特定领域的定制,以追求高性能和能源效率。随着系统复杂性的增长,跨多个子系统(例如,数据路径、不同层次结构中的存储器块、互连、编译器优化等)快速导致设计空间的组合爆炸。这使得特定领域的定制成为一项极具挑战性的任务。先前的工作探索使用强化学习(RL)和其他优化方法来自动探索大的设计空间。然而,这些方法传统上依赖于单一药剂RL/ML制剂。目前还不清楚如何可扩展的单剂配方,因为我们增加了设计空间的复杂性(例如,全栈片上系统设计)。因此,我们提出了一种替代配方,利用多Agent RL(MARL)来解决这个问题。使用MARL背后的关键思想是观察到不同子系统的参数或多或少是独立的,因此允许为每个代理分配分散的角色。我们测试这个假设,通过设计特定于域的DRAM内存控制器的几个工作负载的痕迹。我们的评估表明,MARL公式始终优于单代理RL基线,如近端策略优化和软演员批评在不同的目标,如低功耗和延迟。为此,这项工作开辟了新的和有前途的研究在MARL解决方案的硬件架构搜索的途径。
2022-11-29 cs.AI cs.AR cs.LG
Modeling and Simulation Frameworks for Processing-in-Memory Architectures
Shahid Beheshti University(沙希德贝赫什提大学);Sungkyunkwan University(成均馆大学)
本文综述了PIM仿真的方法与工具,分类讨论了不同抽象层次和评估指标下的仿真器,并探讨了PIM研究中的基准套件和开放挑战。
2025-11-26 cs.AR cs.ET
C2C-Explorer: An Exploration Framework for Chip-to-Chip Interconnect Architectures in LLM Cloud Computing Systems
Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);Beijing Advanced Innovation Center for Integrated Circuits, School of Integrated Circuits, Peking University(北京大学集成电路学院北京先进集成电路创新中心);Hupan Lab(湖畔实验室);Damo Academy, Alibaba Group(阿里巴巴集团达摩院);Alibaba Cloud, Alibaba Group(阿里巴巴集团阿里云)
C2C-Explorer是一种自适应贝叶斯DSE框架,整合流量生成器、可扩展互连模拟器与评估器,用于探索LLM云计算系统的C2C互连架构,在DeepSeek-R1-671B负载中可提升有效吞吐量并降低内存占用。
2026-08-11 cs.AR cs.CE cs.DC