شتاب دهنده مبتني بر پردازش درون حافظه براي شبكه هاي عصبي ژرف براي چهارمين كنفرانس ملي انفورماتيك ايران

يكي از چالشه اي اصـلي در پـردازش الگوريتم هـاي يـادگيري ماشـين تنگناي پهناي باند حافظه است. شتابدهنده هاي درون حافظه پتانسيل رفـع اين مشكل را دارند. با اين حال، راه حل مبتني بر شتابدهنده ي درون حافظه براي رسيدگي به اين مشكل با دو چالش رو به رو است. اول اين كه، شـتاب- دهندهي درون حافظه بايد از مجموعـه ي بزرگـي از الگوريتمهـاي يـادگيري ماشين پشتيباني كند. دوم اين كه، راهحل بايد به اندازه كافي كارآمد باشد تا از پهناي باند مناسب بهرهمند شود در حاليكه محـدوديتهاي تـوان و مسـاحت لايهي منطقي حافظه ي پشتهاي سهبعدي را رعايت كند. در اين مقاله ما يـك شـتاب دهنـدهي نـاهمگن )بـه نـام PUZZLE( پيشنهاد ميكنيم كه ابتدا الگوهاي پردازشي مشابه در الگوريتم هاي يـادگيري ماشين را شناسايي ميكند. در ادامه براي هر الگو يك واحد پردازشي پيشنهاد ميكند. واحدهاي پردازشي در لايهي منطقي يك حافظه ي پشتهاي سه بعدي قرار ميگيرند و از پهنادي بالاي اين حافظه ها بهره ميبرنـد. عـلاوه بـر ايـن واحدهاي پردازشي، مكانيزم پيشنهادي امكان اتصال بـه واحـدهاي پردازشـي همهمنظوره مانند پردازنده مركزي و پردازنده گرافيكي را دارد. نتايج ارزيابي در ١٢ الگوريتم معروف يادگيري ماشين نشان مي دهد كه مكانيزم پيشـنهادي از شتاب دهندههاي پيشرفته امروزي با حافظه پشته اي سه بعدي از نظر كـارايي و بهرهوري انرژي به ترتيب ١.٥ برابر و ٢٩ برابر بهتر عمل مي كند.