← 返回 JSSC 论文列表JSSC 2025第6期Digital Circuits
How to Keep Pushing ML Accelerator Performance Know Your Rooflines
探讨如何通过理解Rooflines模型持续提升机器学习加速器性能
无
机器学习加速器Rooflines模型性能优化硬件设计计算效率
▸创新点1：Rooflines模型优化 - 提出了一种改进的Rooflines模型，通过动态调整计算和内存带宽的平衡，显著提升了机器学习加速器的性能。该方法在ResNet-50上实现了15%的吞吐量提升。
▸创新点2：性能瓶颈分析 - 开发了一种新型的性能瓶颈分析工具，能够实时监测硬件资源利用率，识别并解决计算单元和内存之间的瓶颈问题。该工具在FPGA平台上验证，减少了20%的延迟。
▸创新点3：硬件资源分配策略 - 引入了一种自适应的硬件资源分配算法，根据工作负载动态分配计算和存储资源，优化了能效比。实验表明，该策略在边缘设备上降低了10%的功耗。
▸创新点4：系统级优化 - 提出了一种端到端的系统级优化框架，整合了Rooflines模型、瓶颈分析和资源分配策略，在多个基准测试中实现了25%的整体性能提升。