PulseAugur
中
实时 03:53:07
English(EN) Optimizing ML Workload Partitioning between CPUs and CIM Accelerators for Heterogeneous Computing

新框架优化CPU-CIM系统中的机器学习工作负载划分

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新的框架，用于在中央处理器（CPU）和计算内存（CIM）加速器之间划分机器学习工作负载。该框架通过考虑阻变随机存取存储器（RRAM）的约束、并行性和CPU作为补充资源的角色，解决了现有方法的局限性。提出的基于整数线性规划（ILP）的方法可以最小化推理延迟，并已显示出显著的加速效果，在边缘CPU上实现了高达30.9倍的CPU独立执行速度，在高性能CPU上实现了7.3倍的速度。 AI

影响 这项研究可能带来更高效的AI硬件架构和更快的机器学习应用推理时间。

排序理由 该集群包含一篇详细介绍优化机器学习工作负载新方法的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新框架优化CPU-CIM系统中的机器学习工作负载划分

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Joel Klein, Rebecca Pelke, Roberto Laudani, Jan Moritz Joseph, Rainer Leupers ·

    异构计算中CPU与CIM加速器之间机器学习工作负载划分的优化

    arXiv:2607.05240v1 Announce Type: cross Abstract: Computing-in-Memory (CIM) accelerators execute Matrix-Vector Multiplications (MVMs) in memory, making them a compelling solution for Machine Learning (ML) workloads. However, existing ML workload partitioning approaches for CIM ac…

  2. arXiv cs.AI TIER_1 English(EN) · Rainer Leupers ·

    异构计算中 CPU 与 CIM 加速器之间机器学习工作负载划分的优化

    Computing-in-Memory (CIM) accelerators execute Matrix-Vector Multiplications (MVMs) in memory, making them a compelling solution for Machine Learning (ML) workloads. However, existing ML workload partitioning approaches for CIM accelerators do not fully account for Resistive Rand…

相关实体

相关话题