端到端吞吐量评估的便携确定性CNN信号处理流水线
End-to-End Throughput Benchmarking of Portable Deterministic CNN-Based Signal Processing Pipelines
AI总结：
本文提出了一种评估端到端性能的基准方法，用于评估基于CNN的确定性信号处理流水线在不同异构加速器平台上的性能和可移植性。
摘要：
本文提出了一种评估端到端性能的基准方法，用于评估使用CNN兼容原语表达的确定性信号处理流水线。该基准针对相控阵工作负载（如超声成像）进行评估，并在现实执行条件下评估完整的射频到图像流水线。性能报告使用持续输入吞吐量（MB/s）、有效帧率（FPS）以及可用时增量能耗和峰值内存使用量。使用此方法，我们对一个单一的确定性、无训练的CNN信号处理流水线进行了基准测试，该流水线在异构加速器平台上无修改执行，包括NVIDIA RTX 5090 GPU和Google TPU v5e-1。结果展示了不同操作符公式（动态索引、完全CNN表达和稀疏矩阵基）对架构性能和可移植性的影响。这项工作源于对需要可移植、可认证信号处理实现的需求，这些实现避免了硬件特定的重构，同时在现代AI加速器上保持高性能。
英文摘要：
This paper presents a benchmarking methodology for evaluating end-to-end performance of deterministic signal-processing pipelines expressed using CNN-compatible primitives. The benchmark targets phased-array workloads such as ultrasound imaging and evaluates complete RF-to-image pipelines under realistic execution conditions. Performance is reported using sustained input throughput (MB/s), effective frame rate (FPS), and, where available, incremental energy per run and peak memory usage. Using this methodology, we benchmark a single deterministic, training-free CNN-based signal-processing pipeline executed unmodified across heterogeneous accelerator platforms, including an NVIDIA RTX 5090 GPU and a Google TPU v5e-1. The results demonstrate how different operator formulations (dynamic indexing, fully CNN-expressed, and sparse-matrix-based) impact performance and portability across architectures. This work is motivated by the need for portable, certifiable signal-processing implementations that avoid hardware-specific refactoring while retaining high performance on modern AI accelerators.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
