Evolution, Challenges, and Optimization in Computer Architecture: The Role of Reconfigurable Systems
本文研究了计算机体系结构从单核向多核及领域特定架构的演进,评估了TPUs等硬件加速器在优化能耗、延迟和灵活性上的策略,并强调了可重构系统在克服当前挑战与推动未来计算效率进步中的关键作用。
2024-12-26 cs.AR
Versatile silicon integrated photonic processor: a reconfigurable solution for next-generation AI clusters
针对AI集群计算与通信挑战及现有硅光子芯片适配性不足问题,研究团队研发出含40个可编程单元、160余组件的可重构硅光子处理器,搭配自研软件栈实现多种AI相关功能,为光电AI集群构建奠定基础。
2025-09-03 cs.AR physics.optics
Versa: A Dataflow-Centric Multiprocessor with 36 Systolic ARM Cortex-M4F Cores and a Reconfigurable Crossbar-Memory Hierarchy in 28nm
我们提出了Versa,一个高能效的处理器,具有36个脉动ARM Cortex-M4 F内核和一个运行时可重构的存储层次结构。Versa利用特定于算法的特性来优化带宽、访问延迟和数据重用。在一组具有不同数据访问,控制和同步特性的内核上进行测量,不同Versa模式之间的重新配置分别比移动CPU和GPU基线的能效提高了11.6倍和37.2倍。
2021-08-01 cs.AR
Reconfigurable co-processor architecture with limited numerical precision to accelerate deep convolutional neural networks
University of Moratuwa(莫拉图瓦大学)
卷积神经网络(CNN)广泛用于深度学习应用,例如视觉系统、机器人等。然而,现有的软件解决方案效率不高。因此,已经提出了许多硬件加速器来优化实现的性能、功率和资源利用。在现有的解决方案中,基于现场可编程门阵列(FPGA)的架构提供了更好的成本-能量-性能权衡以及可扩展性和最小化开发时间。在本文中,我们提出了一种模型无关的可重构协处理架构来加速CNN。我们的体系结构由并行乘法和累加(MAC)单元与高速缓存技术和互连网络,以利用最大的数据并行。与现有的解决方案相比,我们引入有限精度的32位Q格式定点量化的算术表示和操作。因此,我们的架构实现了显著降低资源利用率与竞争力的准确性。此外,我们开发了一个汇编类型的微指令来访问协处理结构,以管理逐层并行,从而使有限的资源重用。最后,我们在Xilinx Virtex 7 FPGA上测试了高达9 x9内核大小的架构,在3x 3内核大小下实现了高达226.2 GOp/S的吞吐量。
2021-08-21 cs.AI cs.AR cs.DC
High Performance Reconfigurable Computing Systems
电子芯片技术的快速发展和进步为系统工程师提供了各种新的实施方案。选择在通用处理器(GPP)上运行的灵活程序和使用专用集成电路(ASIC)的固定硬件实现之间变化。许多其他的实现选项,例如,具有RISC处理器和DSP内核的系统。其他选项包括图形处理器和微控制器。专业处理器当然比通用处理器提高了性能,但这是灵活性的交换条件。结合GPP的灵活性和ASIC的高性能,引入可重构计算(RC)作为一种新的实现选项,在通用性和速度之间取得平衡。本章的重点是介绍可重构计算机作为现代超级计算体系结构。本章还探讨了目前RC系统发展进步背后的主要原因。此外,还包括对各种RC系统的技术调查,为比较奠定了共同基础。此外,本章主要介绍了在MorphoSys RC系统下实施的案例研究。所选的案例研究属于不同的应用领域,如计算机图形学和信息编码。并行版本的研究算法的开发,以匹配的拓扑结构支持的MorphoSys。针对不同特点的实施方案进行了性能评估和结果分析。
2019-04-10 cs.AR cs.GR cs.IT
CNN-MERP: An FPGA-Based Memory-Efficient Reconfigurable Processor for Forward and Backward Propagation of Convolutional Neural Networks
Graduate School of Information, Production and Systems, Waseda University(早稻田大学信息生产系统研究生院)
大规模深度卷积神经网络(CNN)广泛用于机器学习应用中。虽然CNN涉及巨大的复杂性,但提供高密度计算资源集成的VLSI(ASIC和FPGA)芯片被认为是CNN实现的有前途的平台。然而,在计算单元的大规模并行性下,受超大规模集成电路芯片引脚数限制的外部内存带宽成为系统瓶颈。此外,VLSI解决方案通常被认为缺乏针对CNN的各种参数进行重新配置的灵活性。本文提出CNN-MERP来解决这些问题。CNN-MERP采用了高效的存储层次结构,可显著降低片上/片外数据分配、数据流优化和数据重用等多重优化对带宽的要求。提出的2级可重构性是用来使快速和有效的重新配置,这是基于控制逻辑和多引导功能的FPGA。结果,实现了1.94MB/GFlop的外部内存带宽要求,这比现有技术低55%。在有限的DRAM带宽下,Vertex UltraScale平台实现了1244 GFlop/s的系统吞吐量,比最先进的FPGA实现高5.48倍。
2017-03-22 cs.AR cs.LG
Towards Power Efficient DNN Accelerator Design on Reconfigurable Platform
现场可编程门阵列(FPGA)的指数级出现加速了深度神经网络(DNN)硬件实现的研究。在所有DNN处理器中,特定领域的架构,例如Google的张量处理器单元(TPU),已经超过了传统的GPU。然而,在可重构硬件中实现TPU应该强调节能以满足绿色计算的要求。电压缩放是一种流行的节能方法,在FPGA中可能有点关键,因为如果不以适当的方式进行,它可能会导致时序故障。在这项工作中,我们提出了一个超低功耗FPGA实现的TPU边缘应用。我们将TPU的收缩阵列划分为不同的FPGA分区,其中每个分区使用不同的近阈值(NTC)偏置电压来运行其FPGA内核。每个分区的偏置电压粗略计算所提出的静态计划。然而,偏置电压的进一步校准是通过所提出的运行时间方案来完成的。基于乘法累加器(MAC)不同设计路径的最小松弛值的四种聚类算法研究了FPGA的划分。为了克服由NTC引起的定时故障,具有较高最小松弛的MAC被放置在较低电压分区中,并且具有较低最小松弛路径的MAC被放置在较高电压分区中。该架构在商业平台Vivado和学术平台VTR中进行了仿真,Vivado采用Xilinx Artix-7 FPGA,VTR采用22 nm、45 nm、130 nm FPGA。仿真结果证实了电压缩放TPU在FPGA中的实现,也证明了其功率效率。
2022-02-14 cs.AR
Cryogenic Reconfigurable Logic with Superconducting Heater Cryotron: Enhancing Area Efficiency and Enabling Camouflaged Processors
本文提出基于单个hTron的低温可重构逻辑电路,通过调节偏置实现copy、NOT、AND、OR及多数逻辑,减少器件数量并支持同版图伪装以抵御逆向工程。
2023-09-27 cond-mat.supr-con cs.AR cs.ET
IzhiRISC-V -- a RISC-V-based Processor with Custom ISA Extension for Spiking Neuron Networks Processing with Izhikevich Neurons
KTH Royal Institute of Technology(皇家理工学院)
针对通用RISC-V处理器处理脉冲神经网络时因重复使用基本指令更新神经元导致能效优势被削弱的问题,提出IzhiRISC-V处理器,通过自定义神经形态ISA扩展及现有ALU的定制硬件扩展实现脉冲神经元更新,为构建大规模系统奠定基础。
2025-08-18 cs.AR cs.NE
TALU: A Reconfigurable Tiled-ALU Grid for RISC-V
University of Manchester(曼彻斯特大学);Technical University of Munich(慕尼黑工业大学)
针对 Lane 型 RISC-V 向量处理器归约开销高、深度依赖表达式链无法融合的问题,提出可重构 tiled-ALU 阵列架构 TALU,其在基准测试中性能显著优于 RISC-V2 和 Vicuna,面积仅为 RISC-V2 的一半。
2026-10-13 cs.AR
Queue Management in Network Processors
设计网络处理系统时的主要瓶颈之一往往是它的内存子系统。这主要是由于以非常高的速度操作的现有技术的网络链路,以及为了支持高级服务质量(QoS),需要大量的独立队列的事实。在本文中,我们分析了各种数据存储管理器集成在典型的网络处理单元(NPU)的性能瓶颈。我们暴露的性能限制的软件实现利用RISC处理核心通常发现在大多数NPU架构,我们确定的要求,硬件辅助存储管理,以实现线速操作千兆位每秒的速率。此外,我们描述的硬件内存管理器,满足这些要求的体系结构和性能。这个内存管理器,虽然它是在可重构技术中实现的,但它可以提供高达6.2Gbps的聚合吞吐量,同时处理32K独立队列。
2007-10-25 cs.AR
Intelligent Bees for QoS Routing in Networks-on-Chip
面向未来众核处理器平台的片上网络(Network-on-Chip,NoC)集成了越来越多的异构组件,许多实时和延迟敏感的应用可以在单个芯片上并发运行。可重构FPGA和可重构片上网络是为了实现可重用性而出现的。这些类型的NoC内的业务表现出多样性,突发性和不可预测的通信模式。QoS保证机制是为NoC提供保证吞吐量(GT)或保证带宽(GB)性能所必需的。在本文中,我们提出了一个QoS路由算法的启发蜜蜂的觅食行为,以提供有保证的带宽性能。采用虚电路和空分复用技术为不同类型的业务提供可用的路径。
2011-09-04 cs.AR
GRAMC: General-purpose and reconfigurable analog matrix computing architecture
本文提出GRAMC架构,通过可重构AMC宏单元和混合系统设计,解决了现有存内模拟矩阵计算电路功能单一、缺乏通用性的问题,实现了面向多种应用的通用矩阵求解。
2025-04-14 cs.AR cs.ET cs.SY
Ellora: Exploring Low-Power OFDM-based Radar Processors using Approximate Computing
本文提出近似计算设计空间探索框架Ellora,通过在OFDM雷达处理流水线中引入近似加法器和乘法器,在正信噪比区域平均精度损失0.063%下节省22.9%面积和26.2%功耗,实现低功耗节能雷达处理器。
2023-11-30 cs.AR eess.SP
Critical nonlinear aspects of hopping transport for reconfigurable logic in disordered dopant networks
University of Münster(明斯特大学);University of Twente(特文特大学);Eindhoven University of Technology(埃因霍温理工大学)
本研究通过动力学蒙特卡洛模拟,从门出现概率、主成分分析和非线性指标三个层面,分析了无序掺杂剂网络中变程跳跃输运的非线性特性,揭示了其实现可重构布尔逻辑的关键机制。
2023-12-26 cs.AR cs.ET cs.LG
A Reconfigurable Multiplier Architecture for Error-Resilient Applications in RISC-V Core
Indian Institute of Technology Mandi(印度理工学院曼迪分校)
本文提出一种可重构乘法器架构,用于在能量受限的边缘AI应用中实现高效神经网络推理。该架构支持精确和近似计算,通过专用mulscr实现多精度配置,实现44%-68%的能耗降低,同时保持1.89 DMIPS/MHz的计算性能。
2026-05-09 cs.AI cs.AR
Shenjing: A low power reconfigurable neuromorphic accelerator with partial-sum and spike networks-on-chip
下一波设备上的人工智能可能需要节能的深度神经网络。脑激励脉冲神经网络(SNN)已被确定为一个有前途的候选人。不需要乘法器就能显著降低能耗。对于设备上的应用,除了计算之外,通信也会产生大量的能量和时间。在本文中,我们提出了Shenjing,一个可配置的SNN架构,完全暴露所有片上通信的软件,使软件映射的SNN模型具有高精度,低功耗。与TrueNorth等先前的SNN架构不同,Shenjing不需要对映射进行任何模型修改和重新训练。我们表明,传统的人工神经网络(ANN),如多层感知器,卷积神经网络,以及最新的残留神经网络可以成功地映射到深井,实现与SNN的能源效率的ANN。对于使用多层感知器的MNIST推理问题,我们能够实现96%的准确度,同时使用10个Shenjing核心仅消耗1.26mW。
2019-11-25 cs.AR cs.ET cs.NE
An In-Memory Analog Computing Co-Processor for Energy-Efficient CNN Inference on Mobile Devices
University of South Carolina(南卡罗来纳大学);Lehigh University(理海大学)
在本文中,我们开发了一个在内存中的模拟计算(IMAC)架构实现突触行为和激活函数内的非易失性存储器阵列。利用自旋轨道力矩磁阻随机存取存储器(SOT-MRAM)器件来实现S形神经元以及二值化突触。首先,它示出了所提出的IMAC架构可以用来实现一个多层感知器(MLP)分类器实现数量级的性能改善相比,以前的混合信号和数字实现。其次,提出了一种异构混合信号和混合精度的CPU-IMAC架构,用于移动处理器上的卷积神经网络(CNN)推理,其中IMAC被设计为实现全连接(FC)层的协处理器,而卷积层在CPU中执行。架构级的分析模型被开发来评估CPU-IMAC架构的性能和能耗。仿真结果显示,6.5%和10%的能源节省为CPU-IMAC为基础的实现LeNet和VGG CNN模型,MNIST和CIFAR-10模式识别任务,分别。
2021-05-24 cs.AR cs.LG
Reconfigurable Edge Hardware for Intelligent IDS: Systematic Approach
Institute of Computer Engineering(ITI), Universität zu Lübeck(吕贝克大学计算机工程研究所)
针对边缘环境下智能入侵检测系统的资源受限等挑战,提出基于FPGA的两种可重构实现方案,经对比验证其能效与资源适配性,其中数据流处理器方案性能优于现有最优技术且成本可控,适用于边缘高速场景。
2024-04-13 cs.AR cs.CR cs.LG