低面积低功耗的机器学习运算单元设计

摘要：

随着机器学习(ML)算法的日益流行,研究人员提出了很多专用于机器学习算法的加速器.然而,这些加速器会被其特定用途的狭窄范围所限制.另外,尽管芯片制造工艺有所提高,但是待处理问题规模的急剧增大依然加剧了这些机器学习加速器的低效程度.针对这种现象,本文研究了4种流行的机器学习算法——k-近邻算法(k-NN),k-均值算法(k-Means),支持向量机(SVM)和逻辑回归(LR),并对这些算法中最为耗时的运算部分进行了深入分析,此外,还针对数据位宽对运算精度、硬件开销的影响进行了分析.根据以上分析,本文设计了一款可以支持多种机器学习算法的运算单元,该运算单元混合使用16位浮点数和32位浮点数的运算器,实现了低面积、低功耗的需求.实验结果表明,本文提出的运算单元可以在几乎不损失正确率的情况下,减少69.80％的总面积开销以及68.98％的总功耗开销.

关键词：机器学习(ML)、运算单元、加速器、低面积、低功耗

所属期刊栏目：29

资助基金：国家重点研发计划2017YFA0700900,2017YFA0700902,2017YFA0700901,2017YFB1003101;国家自然科学基金61472396,61432016,61473275,61522211,61532016,61521092,61502446,61672491,61602441,61602446,61732002,61702478,61732020;北京市自然科学基金JQ18013;973计划2015CB358800;"核心电子器件、高端通用芯片及基础软件产品"科技重大专项2018ZX01031102;中国科学院科技成果转移转化重点专项KFJ-HGZX-013;中国科学院战略性先导科技专项B类XDBS01050200

在线出版日期：2019-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：12-18