A technical paper titled “WWW: What, When, Where to Compute-in-Memory” was published by researchers at Purdue University.
Abstrakcyjny:
“Compute-in-memory (CiM) has emerged as a compelling solution to alleviate high data movement costs in von Neumann machines. CiM can perform massively parallel general matrix multiplication (GEMM) operations in memory, the dominant computation in Machine Learning (ML) inference. However, re-purposing memory for compute poses key questions on 1) What type of CiM to use: Given a multitude of analog and digital CiMs, determining their suitability from systems perspective is needed. 2) When to use CiM: ML inference includes workloads with a variety of memory and compute requirements, making it difficult to identify when CiM is more beneficial than standard processing cores. 3) Where to integrate CiM: Each memory level has different bandwidth and capacity, that affects the data movement and locality benefits of CiM integration.
In this paper, we explore answers to these questions regarding CiM integration for ML inference acceleration. We use Timeloop-Accelergy for early system-level evaluation of CiM prototypes, including both analog and digital primitives. We integrate CiM into different cache memory levels in an Nvidia A100-like baseline architecture and tailor the dataflow for various ML workloads. Our experiments show CiM architectures improve energy efficiency, achieving up to 0.12x lower energy than the established baseline with INT-8 precision, and upto 4x performance gains with weight interleaving and duplication. The proposed work provides insights into what type of CiM to use, and when and where to optimally integrate it in the cache hierarchy for GEMM acceleration.”
Znajdź papier techniczny tutaj. Opublikowano w grudniu 2023 r. (przeddruk).
Sharma, Tanvi, Mustafa Ali, Indranil Chakraborty, and Kaushik Roy. “WWW: What, When, Where to Compute-in-Memory.” arXiv preprint arXiv:2312.15896 (2023).
Powiązane artykuły
Zwiększanie efektywności energetycznej AI dzięki przetwarzaniu w pamięci
Jak przetwarzać obciążenia w skali zetta i nie przekraczać ustalonego budżetu mocy.
Modelowanie obliczeń w pamięci z wydajnością biologiczną
Generatywna sztuczna inteligencja zmusza producentów chipów do bardziej inteligentnego wykorzystywania zasobów obliczeniowych.
SRAM In AI: The Future Of Memory
Why SRAM is viewed as a critical element in new and traditional compute architectures.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://semiengineering.com/cim-integration-for-ml-inference-acceleration/
- :ma
- :Jest
- :Gdzie
- $W GÓRĘ
- 1
- 2023
- a
- przyśpieszenie
- osiągnięcia
- AI
- łagodzić
- an
- i
- odpowiedzi
- architektura
- AS
- At
- przepustowość
- Baseline
- korzystny
- Korzyści
- obie
- budżet
- by
- Pamięć podręczna
- CAN
- Pojemność
- zniewalający
- obliczenia
- obliczać
- Koszty:
- krytyczny
- dane
- grudzień
- określaniu
- różne
- trudny
- cyfrowy
- dominujący
- każdy
- Wcześnie
- efektywność
- element
- wyłonił
- energia
- efektywności energetycznej
- ustanowiony
- ewaluację
- eksperymenty
- odkryj
- ustalony
- W razie zamówieenia projektu
- Siły
- od
- przyszłość
- Zyski
- Ogólne
- dany
- tutaj
- hierarchia
- Wysoki
- Jednak
- HTTPS
- zidentyfikować
- podnieść
- in
- obejmuje
- Włącznie z
- spostrzeżenia
- integrować
- integracja
- najnowszych
- IT
- jpg
- Klawisz
- nauka
- poziom
- poziomy
- niższy
- maszyna
- uczenie maszynowe
- maszyny
- Dokonywanie
- masywnie
- Matrix
- Pamięć
- ML
- jeszcze
- ruch
- wielość
- potrzebne
- Nowości
- Nvidia
- of
- on
- koncepcja
- operacje
- ludzkiej,
- Papier
- Parallel
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- perspektywa
- plato
- Analiza danych Platona
- PlatoDane
- stwarza
- power
- Detaliczność
- wygląda tak
- przetwarzanie
- zaproponowane
- prototypy
- zapewnia
- opublikowany
- pytania
- w sprawie
- wymagania
- Badacze
- Zasoby
- Roy
- pokazać
- rozwiązanie
- standard
- pobyt
- stosowność
- systemy
- Techniczny
- niż
- że
- Połączenia
- Przyszłość
- ich
- Te
- to
- pod tytulem
- do
- tradycyjny
- rodzaj
- uniwersytet
- posługiwać się
- różnorodność
- różnorodny
- oglądany "
- z
- była
- we
- waga
- Co
- jeśli chodzi o komunikację i motywację
- w
- w ciągu
- Praca
- zefirnet