实验室博士生赵少锋的论文“LayCO: Achieving Least Lossy Accuracy for Most Efficient RRAM-Based Deep Neural Network Accelerator via Layer-Centric Co-Optimization”被Journal of Computer Science and Technology (JCST)录用。

当前智能应用已经遍布各类可穿戴、移动式终端设备，硬件平台的低能量效率与深度学习算法的高算力需求形成矛盾，严重制约了各个应用领域的进一步发展。在大规模神经网络计算任务中，运行时中间数据规模过大导致忆阻器写入能耗过高，执行时间增加，限制了计算系统的整体性能提升。

博士生赵少锋在王芳教授的指导下提出了LayCO——通过利用深度神经网络自身的容错能力来提高加速器的整体能效，以神经网络层结构为中心对数据位宽与工作电压进行协同优化。同时，为解决由模态缓冲和电压调节引起的器件耐久度问题，提出了一种以层为中心的数据映射方法，为神经网络合理分配存储分区，并使用一种可感知磨损的数据交换方法，以控制整个忆阻阵列的写平衡。实验表明LayCO能够在保障模型精度与提升系统能效之间达到动态平衡，使得能源效率较对比对象提升了一个数量级。具体来说，LayCO在保持神经网络模型精度损失低于1%的情况下，在能源效率方面相较于TIMELY加速器提升27倍，在延长器件寿命和节约设计面积方面相较于RAQ加速器分别提升了308倍和6倍。

该研究工作得到了国家自然科学基金（U22A2027, 61832020, 61832007和 61821003）等项目的支持。

图 1 LayCO系统整体架构