清華大學博士生涂鋒斌：設計神經網絡硬件架構時，我們在思考些什么？ | 硬創(chuàng)公開課預告

本文作者：奕欣

2017-05-10 11:25

導語：神經網絡的廣泛應用離不開核心計算芯片，雷鋒網本期公開課特邀請到清華大學微納電子系四年級博士生涂鋒斌，為我們分享神經網絡硬件架構的設計經驗。

基于神經網絡的人工智能近年取得了突破性進展，正在深刻改變人類的生產和生活方式，是世界各國爭相發(fā)展的戰(zhàn)略制高點。

神經網絡作為實現人工智能任務的有效算法之一，已經在各種應用場景獲得廣泛的應用。從云端到移動端，不同應用場景也對神經網絡的計算能力提出了不同的需求。

神經網絡的廣泛應用離不開核心計算芯片。目前的主流通用計算平臺包括CPU和GPU，存在著能效較低的問題（能效即能量效率，是性能與功耗的比值）。為了獲得更高的能效，我們需要設計一種專用的神經網絡計算芯片來滿足要求。國際IT巨頭，如英特爾、谷歌、IBM，都在競相研發(fā)神經網絡計算芯片。

然而，神經網絡的結構多樣、數據量大、計算量大的特點，給硬件設計帶來了巨大挑戰(zhàn)。因此，在設計面向神經網絡的高性能、高能效硬件架構時，我們需要思考清楚以下三個問題：

好的計算模式應該是怎樣的？
為了支持這樣的計算模式，架構應該怎樣設計？
已經實現的硬件架構，針對具體算法和應用需求，如何配置成最優(yōu)的計算模式？

雷鋒網本期公開課特邀請到清華大學微納電子系四年級博士生涂鋒斌，為我們分享神經網絡硬件架構的設計經驗。他將通過介紹其設計的可重構神經網絡計算架構 DNA （Deep Neural Architecture），與大家分享在設計神經網絡硬件架構時需要思考的問題。他在完成設計的同時，解決了這些問題，并對現有的硬件優(yōu)化技術做出了總結。

主要內容

主題：設計神經網絡硬件架構時，我們在思考什么？

本次公開課將圍繞以下內容進行：

研究背景
基于神經網絡的人工智能任務，給其硬件加速帶來了怎樣的需求？目前現有的通用計算平臺存在哪些不足，可以從哪些方面考慮改進？
計算模式
對于神經網絡而言，什么是好的計算模式？如何根據優(yōu)化目標對計算模式進行優(yōu)化？
架構設計
針對計算模式的需求，如何設計高性能、高能效的神經網絡計算架構？可重構神經網絡計算架構DNA（Deep Neural Architecture）具有哪些特點？
實驗結果
DNA的性能與能效表現如何？與頂尖工作相比的情況如何？基于DNA架構的Thinker芯片，得到了李克強總理怎樣的評價？
總結思考
圍繞研究工作，有哪些設計經驗可以與我們分享？

嘉賓介紹

清華大學博士生涂鋒斌：設計神經網絡硬件架構時，我們在思考些什么？ | 硬創(chuàng)公開課預告

涂鋒斌，清華大學微納電子系博士生。博士課題是高能效神經網絡加速芯片設計。他的研究興趣包括深度學習、神經網絡加速、計算機體系結構和超大規(guī)模集成電路設計。作為核心計算架構DNA的設計者，他參與了課題組第一代神經網絡計算芯片（代號：Thinker）的設計、流片和測試。Thinker芯片支持電路級編程和重構，是一個通用的神經網絡計算平臺，可應用于機器人、無人機、智能汽車、智慧家居、消費電子等廣泛領域。Thinker芯片作為清華大學的代表性成果參加了2016年全國雙創(chuàng)成果展，獲得李克強總理的贊許。