PulseAugur
中
实时 08:23:33
English(EN) NIFA: Nonlinear IMC enhanced FPGA for efficient ML inference

新型FPGA架构提升机器学习推理效率

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为NIFA的新型FPGA架构，可提高深度学习推理效率。该架构集成了使用模拟内容可寻址内存（ACAM）的无ADC片上计算（IMC）模块，以原生执行非线性运算。NIFA系统优化了FPGA的交叉开关尺寸，并利用ACAM进行动态矩阵-矩阵乘法，将IMC的应用范围扩展到Transformer模型中的注意力计算。这种方法显著提高了CNN和基于Transformer的工作负载的能效和面积效率。 AI

影响 这项研究可能为部署深度学习模型（尤其是基于Transformer的架构）带来更节能、更节省面积的硬件。

排序理由 该集群包含一篇详细介绍新型机器学习推理硬件架构的研究论文。

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 →

新型FPGA架构提升机器学习推理效率

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Jiajun Hu, Ruthwik Reddy Sunketa, Lei Zhao, Archit Gajjar, Luca Buonanno, Aman Arora ·

    NIFA：增强型非线性IMC FPGA，实现高效机器学习推理

    arXiv:2607.15123v1 Announce Type: cross Abstract: Recent FPGAs have improved deep learning (DL) inference efficiency through dedicated tensor blocks and in-BRAM computation. ReRAM-based analog in-memory computing (IMC) pushes efficiency further, offering an order-of-magnitude imp…

  2. arXiv cs.AI TIER_1 English(EN) · Aman Arora ·

    NIFA：增强型非线性IMC FPGA，实现高效机器学习推理

    Recent FPGAs have improved deep learning (DL) inference efficiency through dedicated tensor blocks and in-BRAM computation. ReRAM-based analog in-memory computing (IMC) pushes efficiency further, offering an order-of-magnitude improvement in compute density and energy efficiency …

相关实体

相关话题