Arquitectura de un Acelerador de Redes Neuronales Convolucionales para Computación Heterogénea Basado en un Arreglo...

Área de la Ciencia:

• Ingeniería Informática
• Inteligencia Artificial
• Aceleración de Hardware

Sus antecedentes:

• Las Redes Neuronales Convolucionales (CNN) enfrentan desafíos con altas demandas computacionales, uso de recursos y complejidad, lo que limita su implementación en microprocesadores.
• Los aceleradores CNN actuales exhiben una eficiencia energética limitada (2.32-6.5925 GOPs/W), sin cumplir los requisitos de los sistemas embebidos de baja potencia.

Objetivo del estudio:

• Proponer una arquitectura de acelerador CNN de baja potencia y alta eficiencia energética.
• Abordar las limitaciones de implementación de las CNN en sistemas embebidos con recursos limitados.

Principales métodos:

• Desarrolló una arquitectura de computación heterogénea que combina una Unidad Central de Procesamiento (CPU) y un Circuito Integrado de Aplicación Específica (ASIC).
• Implementó un algoritmo de arreglo sistólico fusionado por operadores con YOLOv5n como red de referencia.
• Integró un arreglo sistólico 2D con fusión Conv-BN para fusión profunda de operadores (convolución, normalización de lotes, activación).
• Optimizó un núcleo RISC-V para reducir la utilización de recursos y empleó un mecanismo de bloqueo con prefetching para la estabilidad asíncrona de la plataforma.

Principales resultados:

• Logró un rendimiento computacional de 20.6 GFLOPs.
• Demostró un bajo consumo de energía de 1.96 W.
• Alcanzó una relación de eficiencia energética de 10.46 GOPs/W.
• Mostró una mejora del 58-350% en la eficiencia energética en comparación con los aceleradores convencionales existentes.

Conclusiones:

• La arquitectura propuesta de acelerador CNN heterogéneo ofrece mejoras significativas en eficiencia energética y rendimiento.
• El diseño muestra un fuerte potencial para una implementación efectiva en sistemas embebidos de baja potencia.
• El arreglo sistólico fusionado por operadores y el núcleo RISC-V optimizado contribuyen a superar los desafíos de implementación de las CNN.