ISSCC 2017论文导读 Session 14:A 288μW Programmable Deep-Learning Processor with 270KB On-Chip Weight

A 288μW Programmable Deep-Learning Processor with 270KB On-Chip Weight Storage Using Non-Uniform Memory Hierarchy for Mobile Intelligence

单位：Michigan，CubeWorks（密歇根大学，CubeWorks公司）

又是一款做DNN加速的面向IOT的专用芯片，主要特点是有L1~L4四级不同速度、能耗的层次化存储。通过对全连接矩阵x向量的计算流程优化，最终可以在0.65V 3.9MHz下获得374GOPS/W的能效表现及288uW的能耗指标[1]。主要还是低功耗，288uW可以做到常开了。

IoT DLA(Deep Learning Accelerator)的愿景和实操：IoT的结点将具有移动感知能力，同时可以运行简单的语音/图像检测和离线学习能力，可以完成部分DSP的计算工作。当前的技术采用了高并行的PE以及非标准的memory结构NUMA，定制的低漏电流SRAM，同时对数据位宽采用精度可配的管理方式。

和传统的计算相比，深度学习的访存次数大大增加，计算的不确定性也十分明显，传统的层次化存储结构（寄存器-Cache-DRAM-HDD/SSD）已经难以满足需求（Cache作用不明显，访存不规则但是服从统计学分布规律）。因此，采用非一致的存储架构、提高存储的bit密度，以及使用长字节表达+可变精度的数据格式，可以有效提升深度学习的访存、能效表现。

采用的多层存储结构：采用非一致性的NUMA，建立确定性访存机制，提出数据分配机制以及数据的连续地址存放。

DLA的设计：每个PE均具有共计67.5kB的4层存储结构，通过AHB与主控芯片相连，通过MMIO寄存器进行数据交互。——AHB Lite和寄存器交互使得数据交换能耗低；

下面是重点：

DLA的PE设计：整体工作流程：

1、instruction buffer用于接受由主控核(Cortex-M0)发出的指令，经由WR/RD进行选择，将192b的指令输出到中心controller；
2、中心controller(CTR)将状态寄存器Status Reg置位“Running”；
3、访存单元(Mem)通过中心controller和PE进行数据交互，CTR定义MemAU数据访存模式（序列Seq/随机Ran），PE通过CTR和MemAU进行访存操作；同时MemAU采用了power gating和signal gating技术；对于外存的访问请求，也通过MemAU处理，优先级为：Cortex-M0>外部PE>所在PE；
4、CTR向Data Buffer发起数据请求，完成：解压MemAU输入的96b数据，打包发出输出的96b数据，并采用临近数据存储方式进行操作；
5、CTR对ALU发起数据，ALU通过IO口从Data Buffer中读取数据，可以进行如下计算：4个乘法计算(8bit)、4个乘法计算(16bit)、10个加法器、6个移位器；基于查找表的多项式差值计算单元，用于激活函数的计算；
6、计算任务完成后，Cortex-M0发出信号，CTR将Status Reg置位Done。

有信号开关的SRAM结构：通过SIGNAL_GATING[3:0]和DATA_DATING[3:0]进行数据的存储层级选择。

本芯片主要能做FC的计算，全连接层的运算(Fully-Connected Layer, FCL)：分解为矩阵x向量+激活函数。核心是Matrix-Vector Multiplication(MVM)。

为了降低中间结果数量以及写出带宽，采用的折叠式的求和：两两加和的结果是一个临时结果，换下一个两列的时候，把前面的临时结果读出来，加完之后再写回去。

因此，基于这样的计算模式，论文采用：
基于以上的MVM计算方式，TO是访问频率最高的数据->存在L1 Mem；权重w重用度低->存在L4 Mem

重用度低就是指不会重复读，只会按顺序读，因此放在较大较远的L4中；而临时结果需要反复读写，量也不大，所以放在较小较近的L1中。

对于不同层Memory的访存功耗对比：

芯片性能表现及对比：在0.65V 3.9MHz下，运行FCL平均能耗为288uW，能效为374GOPS/W，同时支持6~31bit不同位宽的计算。

总结：一款面向IoT的低功耗深度学习加速器
1、在低功耗、高效率下实现DNN
2、延迟在几个ms的级别，可以应对IoT的实时性要求

vvvvvvvv# 参考资料

[1] https://reconfigdeeplearning.com/2017/02/09/isscc-2017-session-14-slides14-7
[2] A 288μW Programmable Deep-Learning Processor with 270KB On-Chip Weight Storage Using Non-Uniform Memory Hierarchy for Mobile Intelligence