Comperity：一种基于差分脉冲编码的无状态脉冲神经网络加速器

《ACM Transactions on Architecture and Code Optimization》：Comperity: A Stateless Spiking Neural Network Accelerator with Differential Spike Encoding

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

脉冲神经网络通过利用离散的、事件驱动的处理方式，借助内在的比特稀疏性实现了极高的能效。目前的脉冲神经网络加速器通过跳过值为零的脉冲来有效降低延迟，但它们往往忽视了空间上相邻的激活模式中存在的结构冗余，或者依赖成本较高的全局搜索机制来利用这种冗余。我们发现，由于空间局部性，相邻的脉冲行之间往往具有很高的相似性。为高效利用这一特性，我们提出了差分脉冲编码（DSE），这是一种基于逻辑的思路，可将相邻行分解为一个共享的基准向量和稀疏的差分向量。我们还介绍了Comperity，这是一种专门的硬件加速器，它采用无状态、基于索引的数据流架构。通过用轻量级的与/或逻辑阵列替代复杂的模式匹配，Comperity显著降低了算术冗余，同时仅有微不足道的控制开销。实验结果表明，在SpikeBERT投影层上，Comperity相较于现有的最先进脉冲神经网络加速器Prosperity、PTB以及A100 GPU，分别实现了1.62倍、9.0倍和2.3倍的速度提升。此外，它的几何平均能效也分别提升了1.35倍、10.7倍和270倍。最后，分析比较表明，Comperity在每突触操作能耗方面仍与基于事件驱动的神经形态平台（如Loihi和TrueNorth）处于竞争水平，为边缘神经形态计算提供了高吞吐量且节能的解决方案。

AI总结

AI生成的总结（实验性内容）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、判断文章的相关性，以及让相关领域的读者更好地理解该研究。它是对作者提供的摘要的补充，而作者提供的摘要仍是论文的主要总结内容。完整文章才是具有权威性的版本。点击此处了解更多。

点击这里，可以对这个总结的准确性、清晰度及实用性发表意见。您的反馈将有助于进一步优化未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。