BriefGPT - AI 论文速递
·
FSL-HDnn：一种具有特征提取和超维计算的端到端少样本学习分类器加速器，能效为5.7 TOPS/W
💡
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文介绍了一种新型加速器，能够在1.2V下实现1510 GOp/s的运算速度，0.6V下功耗为895 μW，显著提高了能量和面积效率。同时，提出了FixyNN方案、FracBNN模型和MHFC算法，分别针对特征提取、少样本学习和数据稀缺问题进行了优化，提升了分类性能。此外，文中还介绍了超高维计算系统和PhotoHDC电光子加速器，展示了其在分类任务中的应用潜力。
🎯
关键要点
- 一种新型加速器在1.2V下实现1510 GOp/s运算速度，0.6V下功耗895 μW，显著提高能量和面积效率。
- FixyNN方案结合固定权重特征提取器和可编程CNN加速器，实现高准确率和能耗控制。
- FracBNN模型通过分数激活方法解决旧模型在现实数据集上的表现问题，模型尺寸减少2.5倍，适用于实时图像分类。
- MHFC算法解决Few-shot Learning中的数据稀缺问题，通过子空间学习和注意力模块提升特征鉴别性，实验结果显著提升2.1%-7.8%。
- 超高维可重构分析系统(HyDRATE)利用低功耗硬件和超维计算加速器实现实时重新配置，展示性能随超维数增加而提高。
- 编译器工具“ame{}”将高维超向量分类方法翻译为优化的C代码，训练和推断速度提高25倍至132倍，内存使用减少5倍至158倍。
- 扩展超维计算训练过程的方法提高分类准确性，已在多个数据集上验证有效性。
- PhotoHDC是第一个用于HDC训练和推断的电光子加速器，能量延时积显著低于现有电光子DNN加速器。
❓
延伸问答
FSL-HDnn加速器的运算速度和功耗是多少？
FSL-HDnn加速器在1.2V下实现1510 GOp/s的运算速度，0.6V下功耗为895 μW。
FixyNN方案的主要特点是什么？
FixyNN方案结合固定权重特征提取器和可编程CNN加速器，实现高准确率和能耗控制。
FracBNN模型如何提高分类性能？
FracBNN模型通过分数激活方法解决旧模型在现实数据集上的表现问题，模型尺寸减少2.5倍，适用于实时图像分类。
MHFC算法是如何解决数据稀缺问题的？
MHFC算法通过子空间学习和注意力模块提升特征鉴别性，显著提高了分类性能，实验结果提升2.1%-7.8%。
超高维可重构分析系统(HyDRATE)的优势是什么？
HyDRATE利用低功耗硬件和超维计算加速器实现实时重新配置，性能随超维数增加而提高。
PhotoHDC电光子加速器的能量延时积表现如何？
PhotoHDC的能量延时积显著低于现有电光子DNN加速器，低两到五个数量级。
➡️
