PENDRAM：通过通用 DRAM 数据映射策略实现深度神经网络的高性能和能量效率处理
内容提要
本文介绍了针对深度神经网络（DNN）优化的硬件架构和算法，如NicePIM、TIMELY和DDC-PIM，旨在提高能效、降低延迟和能耗。这些方案在性能和资源利用上优于传统方法，促进了深度学习在边缘设备和数据中心的应用。
延伸解读
DRAM-PIM 优化：NicePIM 的映射策略
NicePIM 针对 DRAM-PIM 加速器，通过 PIM-Tuner、PIM-Mapper 和 Data-Scheduler 三个组件协同优化硬件配置与 DNN 映射。实验表明，该方法能生成低时延、低能耗的映射方案，优于基准。这提示读者，在存内计算系统中，映射策略与硬件调优同样关键，需协同设计才能释放潜力。
能效突破：TIMELY 与 ReRAM 模拟计算
TIMELY 利用模拟数据局部性和时域接口，仅需一次输入读取，在能效、计算密度和吞吐量上超越 R²PIM。类似地，模拟 ReRAM 跨栅执行矩阵操作也比数字版本更节能。这些方案表明，模拟计算与数据复用是提升 PIM 能效的重要方向，但需注意其适用场景和精度约束。
边缘训练与量化：CAMEL 和混合量化
CAMEL 使用 eDRAM 作为训练数据存储，通过可逆 DNN 架构避免刷新，降低边缘设备训练能耗。混合量化方案则通过多目标优化平衡精度、能耗和内存，节省高达 37% 能量。两者都针对资源受限场景，但 CAMEL 侧重训练，量化侧重推理，读者可根据任务阶段选择。
算法-架构协同：DDC-PIM 与 ODiMO
DDC-PIM 通过最大化 SRAM 单元数据容量，在 MobileNetV2 和 EfficientNet-B0 上实现 2.84 倍和 2.69 倍加速，且无精度损失。ODiMO 则作为硬件感知工具，精细映射不同加速器，在边缘 SoC 上降低能量 33%、延迟 31%，精度仅下降约 0.5%。这显示协同设计能显著提升效率，但需权衡精度与资源。
Q&A
NicePIM 的主要功能是什么？
NicePIM 是一种针对 DRAM-PIM 加速器的硬件架构，旨在优化 DNN 映射，降低时延和能耗。
TIMELY 如何提高能效？
TIMELY 通过模拟数据局部性和时域接口，采用仅一次输入读取的映射方法，显著提高能效。
DDC-PIM 的优势是什么？
DDC-PIM 通过最大化 SRAM 单元的数据容量，实现 MobileNetV2 和 EfficientNet-B0 的显著加速，且无明显准确度损失。
ODiMO 是什么，它的作用是什么？
ODiMO 是一种硬件感知工具，用于精细映射不同加速器，以降低 DNN 推理的能量消耗或延迟。
如何通过混合量化方案平衡 CNN 的能效和内存占用？
混合量化方案可以优化权重量化策略，从而在精度、能耗和内存要求之间实现更好的平衡，节省高达 37% 的能量。
使用 eDRAM 作为训练数据存储介质的好处是什么？
使用 eDRAM 可以减少 DNN 训练的能耗，并在验证精度上实现类似或更好的性能。
