检索结果-内蒙古大学图书馆

计算机科学与探索 2022年第6期16卷 1304-1315页

作者：郭金鑫张广婷张云泉陈泽华贾海鹏太原理工大学大数据学院太原030024 中国科学院计算技术研究所计算机体系结构国家重点实验室北京100190

快速傅里叶变换(FFT)算法是处理器基础软件生态的重要组成部分,在工程、科学、物理和数学等领域的应用十分广泛,且这些领域对FFT算法的性能也提出了越来越高的要求。研究FFT算法在ARMv8和X86-64上的高性能实现特别是大基高性能的实现,提... 详细信息

快速傅里叶变换(FFT)算法是处理器基础软件生态的重要组成部分,在工程、科学、物理和数学等领域的应用十分广泛,且这些领域对FFT算法的性能也提出了越来越高的要求。研究FFT算法在ARMv8和X86-64上的高性能实现特别是大基高性能的实现,提高FFT算法的计算性能日益重要。针对ARMv8和X86-64计算平台的架构特征,研究FFT算法的高性能实现和优化方法。通过蝶形网络优化、大基网络级数降低、大基蝶形计算优化、SIMD汇编优化以及寄存器使用策略优化等方法的应用,有效提升了FFT算法的性能,特别是提升了FFT大基的计算性能,解决了寄存器不够用的性能瓶颈,并最终总结了一套Cooley-Tukey FFT算法的高性能实现策略和优化方案。实验结果表明,在ARM、X86-64处理器上,实现的FFT算法,较ARMPL、Intel MKL和FFTW性能有明显提升,较中小基性能也有明显提升。

关键词：快速傅里叶变换(FFT) ARMv8 X86-64 FFTW SIMD优化

来源：评论

学校读者我要写书评

暂无评论

MRC:谐振时钟数字集成全局功耗优化方法

引用

高技术通讯 2023年第11期33卷 1146-1159页

作者：贾柯杨梁王剑计算机体系结构国家重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院计算技术研究所北京100190 中国科学院大学北京100049 龙芯中科技术股份有限公司北京100190

本研究针对谐振时钟网络在集成电路设计中的数字化实现,提出了一种全局时钟功耗优化(MRC)方法,简化了谐振时钟网络在数字化设计中的集成过程。当前,依赖传统仿真工具构建谐振网络的仿真周期较长,且现有谐振电路模型无法满足快速设计与... 详细信息

本研究针对谐振时钟网络在集成电路设计中的数字化实现,提出了一种全局时钟功耗优化(MRC)方法,简化了谐振时钟网络在数字化设计中的集成过程。当前,依赖传统仿真工具构建谐振网络的仿真周期较长,且现有谐振电路模型无法满足快速设计与数字化建库要求。本文根据谐振电路三段式电路状态提出一种折线化模型降阶方法,可快速实现对当前各类谐振电路波形的准确刻画;本文同时基于此模型给出全局功耗优化目标函数,为电路选型提供指导。与12 nm Fin-FET工艺下实际电路的Spice后仿结果进行比较,本文模型精确度在90%以上,可以准确模拟实际功耗变化趋势,基于Matlab实现的优化方案相比Spice仿真提速10^(5)倍。

关键词：谐振时钟低功耗设计功耗模型设计方法学大规模集成电路时钟设计

来源：评论

学校读者我要写书评

暂无评论

面向CT图像小目标病灶区域的智能化检测算法研究

引用

小型微型计算机系统 2023年第8期44卷 1792-1797页

作者：许金亚裴颂文上海理工大学光电信息与计算机工程学院上海200093 中国科学院计算技术研究所计算机体系结构国家重点实验室北京100190

由于计算机断层扫描(Computed Tomography,CT)医学图像的大部分病灶区域面积较小,传统目标检测模型容易造成小目标病灶区的漏检和误检.针对此问题,本文提出了一种具有注意力机制的特征金字塔网络(Attention Feature Pyramid Network,AFP... 详细信息

由于计算机断层扫描(Computed Tomography,CT)医学图像的大部分病灶区域面积较小,传统目标检测模型容易造成小目标病灶区的漏检和误检.针对此问题,本文提出了一种具有注意力机制的特征金字塔网络(Attention Feature Pyramid Network,AFPN),将特征提取网络的输出结果依次输入到通道注意力模块和空间注意力模块中,并与原来的特征层融合,从而在通道层次和特征点层次上对小目标病灶区分别进行特征增强,减少对病灶区的漏检.同时,本文提出了包含信心分数乘积项的损失函数,可以提高被识别错误的样本损失权重,减少对病灶区的误检.实验结果表明,本文模型在小目标病灶区的平均检测精度比3DCE(3D Context Enhanced region-based CNN)模型提高了5.2%,比MSB(Multi-Scale Booster)模型的检测精度提高了4.4%.

关键词：目标检测医学影像注意力机制特征金字塔网络

来源：评论

学校读者我要写书评

暂无评论

基于PPR模型的稀疏矩阵向量乘及卷积性能优化研究

引用

计算机研究与发展 2021年第3期58卷 445-457页

作者：谢震谭光明孙凝晖计算机体系结构国家重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院计算技术研究所北京100190 中国科学院大学计算机与控制学院北京100049

稀疏矩阵向量乘和卷积作为高性能计算的两大计算核心,是非规则和规则访存的典型代表.目前已经做了许多针对性的优化工作,但是对于大量运行着不同指令集和拥有不同计算和访存性能的机器,仍然无法判定在特定的体系结构下导致性能效率无法... 详细信息

稀疏矩阵向量乘和卷积作为高性能计算的两大计算核心,是非规则和规则访存的典型代表.目前已经做了许多针对性的优化工作,但是对于大量运行着不同指令集和拥有不同计算和访存性能的机器,仍然无法判定在特定的体系结构下导致性能效率无法被完全释放的主要原因及性能瓶颈,同时也很难准确预测出程序在特定机器上可达到的最佳性能.通过使用性能模型方法,建模程序在真实机器上的运行细节,可以得出更加精确的性能预测,并且根据模型输出的反馈信息提出针对性的优化指导.提出了PPR(probability-process-ram)模型,并在一个通用处理器上建模程序内指令执行和数据传输开销,其中包括使用模型预测各种指令数量及内存层次之间的数据传输大小去分析程序各个阶段的性能瓶颈,并且根据模型反馈的信息提出优化方案以及优化后的性能期望.最终使用PPR建模和优化2个计算核心,同时也比较了与常用的Roofline和ECM模型的区别.

关键词：性能模型反馈优化稀疏矩阵向量乘卷积 cache模拟器

来源：评论

学校读者我要写书评

暂无评论

FAQ-CNN:面向量化卷积神经网络的嵌入式FPGA可扩展加速框架

引用

计算机研究与发展 2022年第7期59卷 1409-1427页

作者：谢坤鹏卢冶靳宗明刘义情龚成陈新伟李涛南开大学计算机学院天津300350 天津市网络与数据安全技术重点实验室(南开大学) 天津300350 计算机体系结构国家重点实验室(中国科学院计算技术研究所) 北京100190 福建省信息处理与智能控制重点实验室(闽江学院) 福州350108

卷积神经网络(convolutional neural network, CNN)模型量化可有效压缩模型尺寸并提升CNN计算效率.然而,CNN模型量化算法的加速器设计,通常面临算法各异、代码模块复用性差、数据交换效率低、资源利用不充分等问题.对此,提出一种面向量... 详细信息

卷积神经网络(convolutional neural network, CNN)模型量化可有效压缩模型尺寸并提升CNN计算效率.然而,CNN模型量化算法的加速器设计,通常面临算法各异、代码模块复用性差、数据交换效率低、资源利用不充分等问题.对此,提出一种面向量化CNN的嵌入式FPGA加速框架FAQ-CNN,从计算、通信和存储3方面进行联合优化,FAQ-CNN以软件工具的形式支持快速部署量化CNN模型.首先,设计面向量化算法的组件,将量化算法自身的运算操作和数值映射过程进行分离;综合运用算子融合、双缓冲和流水线等优化技术,提升CNN推理任务内部的并行执行效率.然后,提出分级编码与位宽无关编码规则和并行解码方法,支持低位宽数据的高效批量传输和并行计算.最后,建立资源配置优化模型并转为整数非线性规划问题,在求解时采用启发式剪枝策略缩小设计空间规模.实验结果表明,FAQ-CNN能够高效灵活地实现各类量化CNN加速器.在激活值和权值为16 b时,FAQ-CNN的加速器计算性能是Caffeine的1.4倍;在激活值和权值为8 b时,FAQ-CNN可获得高达1.23TOPS的优越性能.

关键词：卷积神经网络量化量化算法解耦并行编解码片上资源建模加速器设计

来源：评论

学校读者我要写书评

暂无评论

基于机器学习原子势函数的原子动力学蒙特卡洛程序TensorKMC的优化

引用

计算机科学 2024年第9期51卷 23-30页

作者：刘人僪陈欣商红慧张云泉大连海洋大学信息工程学院辽宁大连116023 中国科学院计算技术研究所计算机体系结构国家重点实验室北京100190 北京应用物理与计算数学研究所北京100088

核反应堆压力容器是核电站中最重要的部件之一,在使用过程中通常会受到辐照损伤,这极大影响了其使用寿命,给核电站的安全带来隐患。原子动力学蒙特卡洛方法(AKMC)是研究材料辐照损伤的有效理论方法,可以与计算机数值模拟进行结合来研究... 详细信息

核反应堆压力容器是核电站中最重要的部件之一,在使用过程中通常会受到辐照损伤,这极大影响了其使用寿命,给核电站的安全带来隐患。原子动力学蒙特卡洛方法(AKMC)是研究材料辐照损伤的有效理论方法,可以与计算机数值模拟进行结合来研究压力容器的微结构演变。辐照损伤的材料存在缺陷,原子间相互作用建模时需要考虑非球对称相互作用,但TensorKMC在计算时并没有考虑到原子的角向作用。文中针对该问题,提出了一种包含角向相互作用、可以与TensorKMC的三重编码完美结合的指纹建模方法,并可利用多重度对角向指纹的计算过程进行化简。文中在TensorKMC程序中实现了该方法,测试结果显示角向指纹对势函数的精度有显著影响,最大角动量越高,势函数越精准,程序的模拟耗时也会显著增加。同时,也针对TensorKMC的原子势函数的激活函数开展了测试,结果表明梯度光滑的Softplus和SquarePlus相比初版TensorKMC所用的ReLU在拟合高维势能面时有明显的优势,在最大角动量较低时ReLU有性能优势,但随着最大角动量的增大,不同激活函数对总体模拟时间几乎无特别影响。因此,在实际研究中推荐使用梯度光滑的激活函数。

关键词：动力学蒙特卡洛原子指纹神经网络势

来源：评论

学校读者我要写书评

暂无评论

基于粗粒度数据流架构的稀疏卷积神经网络加速

引用

计算机研究与发展 2021年第7期58卷 1504-1517页

作者：吴欣欣欧焱李文明王达张浩范东睿计算机体系结构国家重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院计算技术研究所北京100190 中国科学院大学计算机科学与技术学院北京100049

卷积神经网络(convolutional neural network,CNN)在图像处理、语音识别、自然语言处理等领域实现了很好的性能.大规模的神经网络模型通常遭遇计算、存储等资源限制,稀疏神经网络的出现有效地缓解了对计算和存储的需求.尽管现有的领域... 详细信息

卷积神经网络(convolutional neural network,CNN)在图像处理、语音识别、自然语言处理等领域实现了很好的性能.大规模的神经网络模型通常遭遇计算、存储等资源限制,稀疏神经网络的出现有效地缓解了对计算和存储的需求.尽管现有的领域专用加速器能够有效处理稀疏网络,它们通过算法和结构的紧耦合实现高能效,却丧失了结构的灵活性.粗粒度数据流架构通过灵活的指令调度可以实现不同的神经网络应用.基于该架构,密集卷积规则的计算特性使不同通道共享相同的一套指令执行,然而稀疏网络中存在权值稀疏,使得这些指令中存在0值相关的无效指令,而现有的指令执行方式无法自动跳过它们从而产生无效计算.同时在执行不规则的稀疏网络时,现有的指令映射方法造成了计算阵列的负载不均衡.这些问题阻碍了稀疏网络性能的提升.基于不同通道共享一套指令的前提下,根据稀疏网络的数据和指令特征增加指令控制单元实现权值数据中0值相关指令的检测和跳过,同时使用负载均衡的指令映射算法解决稀疏网络中指令执行不均衡问题.实验表明:与密集网络相比稀疏网络实现了平均1.55倍的性能提升和63.77%的能耗减少.同时比GPU(cuSparse)和Cambricon-X实现的稀疏网络分别快2.39倍(Alexnet)、2.28倍(VGG16)和1.14倍(Alexnet)、1.23倍(VGG16).

关键词：领域专用加速器粗粒度数据流稀疏卷积神经网络指令映射指令控制

来源：评论

学校读者我要写书评

暂无评论

脚本语言执行引擎的模糊测试技术综述

引用

高技术通讯 2022年第12期32卷 1226-1235页

作者：孙力立武成岗许佳丽张培华唐博文谢梦瑶计算机体系结构国家重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学计算机科学与技术学院北京100190

脚本语言作为解释性语言,需要由脚本语言执行引擎动态解释执行。由于脚本语言的广泛应用,其执行引擎也在各种平台上得到广泛部署。因此,脚本语言执行引擎中的安全漏洞往往具有很高的安全影响。模糊测试作为一种有效的自动化漏洞挖掘方法... 详细信息

脚本语言作为解释性语言,需要由脚本语言执行引擎动态解释执行。由于脚本语言的广泛应用,其执行引擎也在各种平台上得到广泛部署。因此,脚本语言执行引擎中的安全漏洞往往具有很高的安全影响。模糊测试作为一种有效的自动化漏洞挖掘方法,在挖掘脚本语言执行引擎的软件缺陷和漏洞方面也有重要作用。本文对近年来国内外学者在该领域的研究进行了系统的总结,介绍了模糊测试和脚本语言执行引擎的基本概念,整理了现有的脚本语言执行引擎的模糊测试工作的评价指标,分类梳理了脚本语言执行引擎的模糊测试工作,阐述了该领域所关注的研究问题和解决方法。最后,根据现有工作的不足和研究趋势,提出具有潜力的下一步研究方向。

关键词：脚本语言执行引擎模糊测试漏洞挖掘软件缺陷检测

来源：评论

学校读者我要写书评

暂无评论

基于国产PuDianNao芯片的向量函数库优化

引用

郑州大学学报（工学版） 2023年第1期44卷 31-37页

作者：杨指政杜子东文渊博郑州大学河南先进技术研究院河南郑州450001 中国科学院计算技术研究所计算机体系结构国家重点实验室北京100190 中国科学技术大学计算机学院安徽合肥230026

目前国产人工智能处理器PuDianNao芯片上的向量数学函数只能依靠循环调用标量函数来实现,该方法性能比较低。基于PuDianNao芯片提出了3种优化方法。方法一为插值方法;方法二为SIMD加掩码方法;方法三基于PuDianNao的硬件阵列结构,使用VLI... 详细信息

目前国产人工智能处理器PuDianNao芯片上的向量数学函数只能依靠循环调用标量函数来实现,该方法性能比较低。基于PuDianNao芯片提出了3种优化方法。方法一为插值方法;方法二为SIMD加掩码方法;方法三基于PuDianNao的硬件阵列结构,使用VLIW指令操作阵列中的每个处理单元,封装出SIMT编程模型,提出了暴露分支范围和分支扁平化的编程方法。对以上3种方法进行精度和性能测试,对比实验结果表明,方法三具有最好的精度和性能。使用方法三实现基于国产PuDianNao芯片的向量数学函数库PuDianNao-VecMath,解决了数学函数多分支结构难以向量化的难题。该函数库精度性能较好、功能稳定、运行正确,提供的接口包括取整函数、超越函数、比较函数、激活函数等常见基础数学库函数。在精度上,将函数定义域区间全数据作为输入,运算结果和标量函数在CPU i7运行的结果进行对比。结果表明,单精度版本最大ULP值为2,半精度版本最大ULP值为1。性能与使用标量循环相比有较大提高,单精度版本相对于标量循环平均加速比平均值为18.26,最大加速比为35.90;半精度版本平均加速比平均值为15.65,最大加速比为30.11。

关键词：向量化函数 PuDianNao-VecMath 国产人工智能处理器暴露分支范围和分支扁平化

来源：评论

学校读者我要写书评

暂无评论

高性能CPU电源Droop检测优化设计实现

引用

高技术通讯 2022年第9期32卷 894-902页

作者：杨丽琼章隆兵肖俊华王剑计算机体系结构国家重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院计算技术研究所北京100190 中国科学院大学北京100049

高性能中央处理器(CPU)进入到纳米工艺设计时代,集成度和性能大幅度提高的同时,功耗和时钟之间的平衡优化已经成为当前面临的主要问题。物理供电寄生阻抗增加明显,功耗急速增加过程导致电源网络动态压降明显,抑制了主频进一步提高。本... 详细信息

高性能中央处理器(CPU)进入到纳米工艺设计时代,集成度和性能大幅度提高的同时,功耗和时钟之间的平衡优化已经成为当前面临的主要问题。物理供电寄生阻抗增加明显,功耗急速增加过程导致电源网络动态压降明显,抑制了主频进一步提高。本文提出了一种基于全数字快速高精度Droop Sensor的供电监测优化方法。该方法采用易于集成于处理器核数字域内的单数字供电Droop Sensor进行本地供电实时监测。当Droop Sensor检测到电压快速垂降时,实时指导所在处理器核的时钟域进行时钟降频,帮助处理器度过低压危险时期,待垂降结束后再恢复正常的时钟频率。实现了局部压降的针对性时钟优化,避免了整体功耗性能损失。本文采用12 nm数字工艺实现了Droop Sensor设计。仿真结果表明,该传感器可在100 ps内进行一阶Droop的快速响应,帮助CPU度过瞬间大幅度的压降期;高阶Droop响应的阈值调节精度可达3%,支持CPU的供电水平多阈值控制。

关键词：高性能中央处理器(CPU) 供电检测 Droop Sensor

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：