关于这个研究课题
人工智能(AI)的广泛应用带来迫切需求的节能计算平台。特定领域的加速器(员)基于网络的特征可以有效地解决传统冯诺依曼体系结构的瓶颈问题。在地区体育会,Computing-in-Memory (CIM)加速器逐渐成为最有前途的选择之一。通过计算和存储的集成,数据传输造成的功耗和延时都大大降低。此外,高密度和低功耗并行乘法和积累特征提高吞吐量计算同时确保高节能性能。随着技术的成熟,CIM加速器等应用方面显示了很大的潜力的声音唤醒,智能安全、可穿戴设备和自动驾驶。
随着人工智能技术的迅速发展,节能设计和有效实施CIM加速器在人工智能应用程序已经引起了学术界和产业界的重视。巨大的新兴需求迫切需要突破的性能限制。硬件方面,基于CIM数组非易失性记忆的限制装置变异和外围功耗大,使设计更少的能源效率和低程度的计算并行性。大容量CIM设计也是实际应用的基础上对非易失性记忆和CMOS记忆。软件方面,进化神经网络导致连续参数数字和计算复杂性的增加。如何简化和压缩神经网络,而会议所需的精度,是一种必要的边缘上高速和节能要求人工智能应用程序。硬件和软件方面的协作,将神经网络映射到一个大单CIM阵列或多个CIM数组时空利用率高和调度层实现管道是提高整体性能的关键。
对于这个研究课题,感兴趣的领域包括(但不限于):
——为CIM系统硬件软件合作设计
——Device-algorithm合作设计错误宽容和计算的鲁棒性
——压缩和量化CIM的神经网络加速器
——大规模CIM加速器系统设计
——新兴的神经网络或算法实现
——设备内置和CIM系统的在线学习模式
-节能CIM阵列设计
——外围电路优化
——网络映射方法
-国际米兰和内部数据流设计神经网络层
——新兴NVM CIM处理单元设备和CMOS电路设计。
系统设计的文章,理论分析文章,文献综述论文都是受欢迎的。
随着人工智能技术的迅速发展,节能设计和有效实施CIM加速器在人工智能应用程序已经引起了学术界和产业界的重视。巨大的新兴需求迫切需要突破的性能限制。硬件方面,基于CIM数组非易失性记忆的限制装置变异和外围功耗大,使设计更少的能源效率和低程度的计算并行性。大容量CIM设计也是实际应用的基础上对非易失性记忆和CMOS记忆。软件方面,进化神经网络导致连续参数数字和计算复杂性的增加。如何简化和压缩神经网络,而会议所需的精度,是一种必要的边缘上高速和节能要求人工智能应用程序。硬件和软件方面的协作,将神经网络映射到一个大单CIM阵列或多个CIM数组时空利用率高和调度层实现管道是提高整体性能的关键。
对于这个研究课题,感兴趣的领域包括(但不限于):
——为CIM系统硬件软件合作设计
——Device-algorithm合作设计错误宽容和计算的鲁棒性
——压缩和量化CIM的神经网络加速器
——大规模CIM加速器系统设计
——新兴的神经网络或算法实现
——设备内置和CIM系统的在线学习模式
-节能CIM阵列设计
——外围电路优化
——网络映射方法
-国际米兰和内部数据流设计神经网络层
——新兴NVM CIM处理单元设备和CMOS电路设计。
系统设计的文章,理论分析文章,文献综述论文都是受欢迎的。
关键字:Computing-in-Memory,硬件软件合作设计,加速器,神经网络,人工智能,硬件加速,软件优化、在线学习、计算、处理元素
重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。
