obsidian에서 수정하기
Abstract
(서론): 최근 몇 년 동안 신경망 가속기는 중요한 인식 및 마이닝 애플리케이션 범주 내에서 폭넓은 애플리케이션 범위에 대해 높은 에너지 효율과 높은 성능을 달성할 수 있음이 입증되었습니다.
(한계): 그럼에도 불구하고 이러한 가속기의 에너지 효율성과 성능은 여전히 메모리 접근에 의해 제한됩니다.
(방법론): 본 논문에서는 인식 및 마이닝 애플리케이션 중 가장 중요한 범주라고 할 수 있는 이미지 애플리케이션에 중점을 둡니다. 이러한 애플리케이션에 대한 최신 신경망은 컨볼루션 신경망(CNN)이며, 이들은 중요한 특성을 가지고 있습니다. 즉 가중치가 많은 뉴런 간에 공유되어 신경망의 메모리 점유율을 상당히 줄입니다. 이 특성 덕분에 CNN 전체를 SRAM 내에 매핑하여 가중치에 대한 모든 DRAM 접근을 제거할 수 있습니다. 이 가속기를 이미지 센서 옆에 배치함으로써 입력과 출력에 대한 모든 DRAM 접근을 제거하는 것이 가능합니다. 본 논문에서는 CMOS 또는 CCD 센서 옆에 배치된 이러한 CNN 가속기를 제안합니다.
(결론): DRAM 접근의 부재와 CNN 내의 특정 데이터 접근 패턴의 신중한 활용을 결합함으로써, 우리는 이전 최신 신경망 가속기보다 60배 더 에너지 효율적인 가속기를 설계할 수 있습니다. 우리는 65nm에서 레이아웃까지 전체 설계를 제시하며, 면적은 4.86mm²로 소형이면서도 320mW만 소모하지만 여전히 고급 GPU보다 약 30배 빠릅니다.
