PACiM：一种基于稀疏性的混合计算-存储架构，通过概率近似实现
内容提要
该论文评估了高性能网络推断的近似方法，探讨其在自定义硬件中的有效性。提出了剪枝方法、NEON编译器优化和数字乘法器等多种算法和优化方案，以提高性能和能效，解决计算瓶颈和能量消耗问题。
延伸解读
近似计算与存内计算融合趋势
文章梳理了从2019年至2024年多项研究，显示近似计算与存内计算（CiM）正逐步融合。早期工作如剪枝和编译器优化侧重算法与软件，后期则出现数字乘法器、memory-immersed方案等硬件创新，旨在降低能耗并提升并行性。这种跨层协同设计成为提高神经网络推断能效的关键路径。
算法-硬件协同设计的具体实践
论文列举了多种协同设计案例：分块友好剪枝在GPU上实现1.95倍加速；NEON编译器优化将非MAC操作转为轻量网络；DAISM加速器采用新型数字乘法器避免位串行瓶颈；A-TRICE通过对抗训练提升最坏情况精度；ApproxDARTS利用近似乘法器降低能耗。这些方案表明，针对特定硬件特性定制算法能有效释放性能潜力。
能效提升与精度损失的平衡
多个工作致力于在降低能耗的同时控制精度损失。例如，针对ADC效率低下的剪枝方法可减少ADC能量并缓解精度下降；基于赛道存储器的编译流在ResNet-18上显著提升能效且保持软件精度；CiMNet框架则通过搜索帕累托最优前沿来权衡下游任务准确性与延迟。这些探索为实际部署提供了参考。
Q&A
PACiM的主要目标是什么？
PACiM旨在评估高性能网络推断的近似方法，并探讨其在自定义硬件中的有效性。
该论文提出了哪些优化方案来提高性能和能效？
论文提出了剪枝方法、NEON编译器优化和新型数字乘法器等多种算法和优化方案。
NEON编译器优化方案的作用是什么？
NEON编译器优化方案将非MAC操作转化为轻量级神经网络，提高了性能和能源效率。
A-TRICE技术如何改善DNN的准确性？
A-TRICE技术通过对抗训练和噪声注入训练有效地改进最坏情况下的DNN准确性。
CiMNet框架的主要功能是什么？
CiMNet框架通过同时搜索最优子网络和硬件配置，创建下游任务的帕累托最优前沿。
ApproxDARTS方法的主要优势是什么？
ApproxDARTS方法利用近似乘法器降低生成神经网络的能耗。
