طراحی شتاب دهنده با توان مصرفی کم توسط تکنیک Masking به منظور کاهش مراجعات به حافظه

با فراگیر شدن یادگیری ماشین در دامنه وسیعی از کاربردها، معماری کامپیوترها بصورت ترکیبی ازسیستم های چند هسته ای نامتجانس متشکل از هسته های پردازشی و شتاب دهنده ها است. در حالیکه بازده بخش های محاسباتی در طراحی شتاب دهنده ها حائز اهمیت است، انتقالات و دسترسی هایزیاد به حافظه بصورت بالقوه باعث از دست رفتن مزایایی از جمله بازده و انرژی در شتاب دهنده ها میشود. در این مقاله ما به ارائه ایده استفاده از تکنیک Masking به منظور پیش بینی الگوی رفتاری کرنلدر طراحی سیستم های یادگیری ماشین، با تاکید بر تاثیر انتقالات حافظه در طراحی شتاب دهنده ها وکارایی و بازده آنها خواهیم پرداخت و نشان خواهیم داد که با استفاده از تکنیک Masking، پیش بینیالگوی رفتاری و تغییر عناصر کرنل و در پی آن طبقه بندی و ذخیره آن ها در بافرهای مختلف با توجه بهاصل محلیت زمانی، امکان کمینه سازی انتقالات حافظه و در پی آن دستیابی به کاهش مصرف انرژیفراهم خواهد آمد.

کلیدواژه ها:

شبکه های عصبی ، شتاب دهنده ، یادگیری ماشین ، انتقالات حافظه ، کارایی ، انرژی مصرفی