0 引言
随着对人工智能研究的不断深入,深度学习正成为训练机器实现智能的重要研究方法。在深度学习中,有着大量的输入数据、网络参数以及乘累加运算[1]。
在以冯·诺依曼为主流的存算分离架构中,计算单元与内存单元数据搬运的时延和功耗开销越来越成为深度学习神经网络所面临的一个严峻问题[2],严重制约着深度学习神经网络的应用。以应用深度学习神经网络的AlphaGo为例,其在进行每一局的围棋活动中,用电成本约为3 000美元[3],对于大多数智能设备而言,是无法接受的。面对传统存算架构在深度学习神经网络运算中的功耗与速度瓶颈,采用存算一体的架构成为现阶段解决带宽与功耗问题的一条有效途径。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003603
作者信息:
丁士鹏,黄 鲁
(中国科学技术大学 微电子学院,安徽 合肥230026)
凡《网络安全与数据治理》(原《信息技术与网络安全》)录用的文章,如作者没有关于汇编权、翻译权、印刷权及电子版的复制权、信息网络传播权与发行权等版权的特殊声明,即视作该文章署名作者同意将该文章的汇编权、翻译权、印刷权及电子版的复制权、信息网络传播权与发行权授予本刊,本刊有权授权本刊合作数据库、合作媒体等合作伙伴使用。同时,本刊支付的稿酬已包含上述使用的费用,特此声明。