76 papers
Dit paper introduceert ChatNeuroSim, een framework op basis van een groot taalmodel dat het ontwerp, de implementatie en de optimalisatie van Compute-in-Memory-versnellers voor diepe neurale netwerken volledig automatiseert en versnelt door gebruik te maken van een geautomatiseerde agent en een techniek voor het afkappen van de ontwerpruimte.
Deze studie analyseert systematisch de gevoeligheid voor kwantisatie van twee FP4-formaten (MXFP4 en NVFP4) in Qwen2.5-modellen en onthult dat de MLP-up- en down-projectielagen het meest gevoelig zijn, terwijl de gevoeligheid niet uitsluitend beperkt blijft tot de laatste blokken.
Dit artikel introduceert bsort, een niet-comparatief sorteeralgoritme voor gehele getallen en floating-point waarden dat via een benadering afgeleid van binaire quicksort een asymptotische looptijd van en een extra ruimtecomplexiteit van bereikt, met prestaties die concurreren met geoptimaliseerde hybride algoritmen voor gegevens met kleine woordgroottes.
Dit paper introduceert de -ongelijkheid om aan te tonen dat MoE-modellen tijdens inferentie structureel worden benadeeld door hergebruiksfragmentatie, waardoor ze bij lange contexten vaak minder efficiënt zijn dan kwalitatief gelijkwaardige dichte modellen.
Dit paper introduceert EPIC, een gedistribueerd SciML-framework dat hardware- en fysica-gestuurde technieken combineert om communicatiekosten en latentie aanzienlijk te verminderen terwijl de fysieke nauwkeurigheid behouden blijft.
Deze paper introduceert een kosteneffectief raamwerk dat imperfecte, door LLM's gegenereerde RTL-code gebruikt om netlistrepresentaties te leren, waardoor de schaarste aan gelabelde data voor circuitanalyse wordt overwonnen zonder in te leveren op de prestaties op realistische ontwerpen.
Dit artikel introduceert DendroNN, een energiezuinig, niet-gedifferentieerd neuronaal netwerk dat inspiratie put uit dendritische sequentiedetectie om event-based data te verwerken en via een asynchrone hardware-architectuur een tot vier keer hogere efficiëntie bereikt dan bestaande neuromorfe systemen.
TrainDeeploy is een framework dat hardware-versnelde, parameter-efficiënte fine-tuning van zowel CNN- als Transformer-modellen mogelijk maakt op extreem beperkte randapparatuur, waarbij het de eerste end-to-end on-device training van een Compact Convolutional Transformer op een RISC-V-SoC realiseert met aanzienlijke verbeteringen in geheugengebruik en prestaties.
Dit paper introduceert Nemo, een nieuwe cache-architectuur voor log-gestructureerde flash-apparaten die door het optimaliseren van hash-kollicsies en het gebruik van een bloom filter-based indexering gelijktijdig lage schrijfamplificatie, hoge geheugenefficiëntie en een laag miss-ratio bereikt voor tiny-object workloads.
Dit paper introduceert HaLoRA, een hardwarebewuste methode die de energie-efficiëntie van een hybride Compute-in-Memory-architectuur combineert met de nauwkeurigheid van Large Language Models door een robuuste Low-Rank Adaptatie te trainen die de inherente ruis van RRAM-geheugen compenseert.
Dit paper introduceert HDLxGraph, een nieuw framework dat Large Language Models koppelt aan HDL-repositories via grafische databases en Abstract Syntax Trees om de beperkingen van traditionele RAG-systemen bij complexe hardware-beschrijvingsopdrachten te overwinnen, ondersteund door een nieuw benchmark-dataset genaamd HDLSearch.
Dit artikel presenteert geoptimaliseerde many-hypercube-kwantumfoutcorrectiecodes met kleinere blokgroottes die, ondanks een hogere coderingssnelheid, lagere logische foutpercentages mogelijk maken en efficiëntere, fouttolerante encoders ontwikkelen om de experimentele realisatie van fouttolerant kwantumcomputen te versnellen.
Dit artikel introduceert een nieuwe, dataratesbewuste architectuur voor CNN-inferentie op FPGA's die door slimme signaleninterleaving en hardware-delen een hoge hardwarebenutting en doorvoer garandeert, zelfs bij lagen met datareductie zoals pooling en convolutie met stride.
Orion is het eerste open end-to-end systeem dat de Apple Neural Engine direct aanstuurt via private API's om zowel stabiel on-device training als snelle inferentie van grote taalmodellen mogelijk te maken door CoreML te omzeilen en recompilatie-tijd tijdens training drastisch te reduceren.
Dit paper introduceert Space-Control, een hardware-software co-design dat procesniveau-isolatie voor gedeelde CXL-gebaseerde gedisaggregeerde geheugenrealiseert met een minimale prestatieoverhead van 3,3%.
Dit paper introduceert Mozart, een co-ontwerp van algoritme en hardware dat de training van MoE-gedreven taalmodellen op 3.5D wafer-scale chiplet-architecturen optimaliseert door middel van een slimme experttoewijzing, fijnmazige planning en een hiërarchisch geheugenontwerp om communicatie- en geheugenproblemen op te lossen.
Dit artikel presenteert een uitlegbare en hardware-efficiënte aanpak voor jamming-detectie in 5G-netwerken met behulp van de Convolutional Tsetlin Machine, die op een realistisch testbed vergelijkbare prestaties levert als een CNN maar aanzienlijk sneller traint en minder geheugen vereist, waardoor het ideaal is voor implementatie op randapparatuur.
Dit paper introduceert een nieuwe siliciumfotonische versneller die de energie-efficiëntie en doorvoersnelheid van diffusiemodellen voor generatieve AI aanzienlijk verbetert ten opzichte van bestaande elektronische platforms.
Deze dissertatie stelt voor om processorontwerp te verschuiven van data-agnostisch naar data-informeerd door middel van machine learning en semantische data-eigenschappen, waardoor de prestaties en energie-efficiëntie aanzienlijk worden verbeterd door het memory-bottleneck effectief aan te pakken.
ConnChecker is een geautomatiseerd, grafgebaseerd hulpmiddel dat de root-cause-analyse voor formele connectiviteitscontrole in complexe SoC-ontwerpen versnelt door tegenvoorbeelden te categoriseren en debugtijd tot 80% te reduceren.