Fugu-MT 論文翻訳(概要): MICSim: A Modular Simulator for Mixed-signal Compute-in-Memory based AI Accelerator

論文の概要: MICSim: A Modular Simulator for Mixed-signal Compute-in-Memory based AI Accelerator

arxiv url: http://arxiv.org/abs/2409.14838v1
Date: Mon, 23 Sep 2024 09:12:46 GMT
ステータス: 処理完了
システム内更新日: 2024-11-06 20:50:08.807387
Title: MICSim: A Modular Simulator for Mixed-signal Compute-in-Memory based AI Accelerator
Title（参考訳）: MICSim:Mixed-signal Compute-in-MemoryベースのAIアクセラレータのためのモジュールシミュレータ
Authors: Cong Wang, Zeming Chen, Shanshi Huang,
Abstract要約: この研究はMICSimを紹介した。MICSimは、チップレベルのソフトウェア性能とCIM(Mixed-signal Compute-in-Memory)アクセラレータのハードウェアオーバーヘッドを評価するために設計された、オープンソースの回路前シミュレータである。 MICSimはモジュラー設計を特徴とし、多層共同設計と設計空間の探索が容易である。
参考スコア（独自算出の注目度）: 10.65687190002229
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work introduces MICSim, an open-source, pre-circuit simulator designed for early-stage evaluation of chip-level software performance and hardware overhead of mixed-signal compute-in-memory (CIM) accelerators. MICSim features a modular design, allowing easy multi-level co-design and design space exploration. Modularized from the state-of-the-art CIM simulator NeuroSim, MICSim provides a highly configurable simulation framework supporting multiple quantization algorithms, diverse circuit/architecture designs, and different memory devices. This modular approach also allows MICSim to be effectively extended to accommodate new designs. MICSim natively supports evaluating accelerators' software and hardware performance for CNNs and Transformers in Python, leveraging the popular PyTorch and HuggingFace Transformers frameworks. These capabilities make MICSim highly adaptive when simulating different networks and user-friendly. This work demonstrates that MICSim can easily be combined with optimization strategies to perform design space exploration and used for chip-level Transformers CIM accelerators evaluation. Also, MICSim can achieve a 9x - 32x speedup of NeuroSim through a statistic-based average mode proposed by this work.
Abstract（参考訳）: チップレベルのソフトウェア性能とCIM(Mix-signal Compute-in-Memory)アクセラレータのハードウェアオーバーヘッドを早期に評価するために設計された,オープンソースの回路前シミュレータであるMICSimを紹介する。 MICSimはモジュラー設計を特徴とし、多層共同設計と設計空間の探索が容易である。最先端のCIMシミュレータであるNeuroSimからモジュール化されたMICSimは、複数の量子化アルゴリズム、多様な回路/アーキテクチャ設計、異なるメモリデバイスをサポートする高度に構成可能なシミュレーションフレームワークを提供する。このモジュラーアプローチにより、MICSimを効果的に拡張して新しい設計に適合させることができる。 MICSimは、PythonのCNNとTransformersのアクセラレータのソフトウェアとハードウェアのパフォーマンスの評価をネイティブにサポートし、人気のあるPyTorchとHuggingFace Transformersフレームワークを活用している。これらの能力により、MICSimは異なるネットワークとユーザフレンドリーなネットワークをシミュレートする際に高度に適応できる。本研究は,MICSimと設計空間探索の最適化戦略を組み合わせることで,チップレベルのトランスフォーマーCIMアクセラレータ評価に利用できることを示す。また、MICSimは統計に基づく平均モードにより、NeuroSimの9倍から32倍のスピードアップを達成することができる。

関連論文リスト

A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文参考訳（メタデータ） (2024-09-23T11:16:46Z)
On Simulation of Power Systems and Microgrid Components with SystemC-AMS [0.7689542442882423]
マイクログリッドのようなサイバー物理システムは、相互接続されたコンポーネント、局所的な電力システム、分散エネルギー資源から構成される。電力系統変換器とその制御ループは、グリッドを安定化し、メイングリッドとマイクログリッドの対面において重要な役割を果たす。本稿では,SystemC-AMSを用いたマイクログリッド部品の電磁過渡応答を高速にシミュレーションする手法を提案する。
論文参考訳（メタデータ） (2024-07-04T22:42:29Z)
DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
論文参考訳（メタデータ） (2024-06-04T04:53:05Z)
TANQ-Sim: Tensorcore Accelerated Noisy Quantum System Simulation via QIR on Perlmutter HPC [16.27167995786167]
TANQ-Simは、コヒーレントノイズと非コヒーレントノイズの両方で実用的なディープ回路をシミュレートするために設計された、フルスケールの密度行列ベースのシミュレータである。このようなシミュレーションにかかわる計算コストに対処するため,新しい密度行列シミュレーション手法を提案する。また,その性能を最適化するために,密度行列シミュレーションのための特定のゲート融合手法を提案する。
論文参考訳（メタデータ） (2024-04-19T21:16:29Z)
Tao: Re-Thinking DL-based Microarchitecture Simulation [8.501776613988484]
既存のマイクロアーキテクチャシミュレータは、異なる側面で優れ、不足している。ディープラーニング(DL)ベースのシミュレーションは驚くほど高速で、精度は極めて高いが、適切な低レベルのマイクロアーキテクチャのパフォーマンス指標を提供することができない。本稿では,3つの主要な貢献により,DLに基づくシミュレーションを再設計するTAOを紹介する。
論文参考訳（メタデータ） (2024-04-16T21:45:10Z)
In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文参考訳（メタデータ） (2023-06-22T14:07:54Z)
Compiler-Driven Simulation of Reconfigurable Hardware Accelerators [0.8807375890824978]
既存のシミュレータは、RTLシミュレーションのような低レベルのアプローチと一般的なアプローチの2つの極端である。本研究は,ハードウェアアクセラレータをモデル化可能なコンパイラ駆動シミュレーションワークフローを提案する。
論文参考訳（メタデータ） (2022-02-01T20:31:04Z)
QuaSiMo: A Composable Library to Program Hybrid Workflows for Quantum Simulation [48.341084094844746]
本稿では、ハイブリッド量子/古典的アルゴリズムの開発と量子シミュレーションへの応用のための構成可能な設計手法を提案する。ハードウェアに依存しないQCORをQuaSiMoライブラリに実装する。
論文参考訳（メタデータ） (2021-05-17T16:17:57Z)
Using Machine Learning at Scale in HPC Simulations with SmartSim: An Application to Ocean Climate Modeling [52.77024349608834]
We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。 SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
論文参考訳（メタデータ） (2021-04-13T19:27:28Z)
Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on Quantum Computers [52.77024349608834]
少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
論文参考訳（メタデータ） (2021-03-04T18:21:00Z)
CSM-NN: Current Source Model Based Logic Circuit Simulation -- A Neural Network Approach [5.365198933008246]
CSM-NNは、最適化されたニューラルネットワーク構造と処理アルゴリズムを備えたスケーラブルなシミュレーションフレームワークである。実験によると、CSM-NNはCPU上で動作する最先端のソースモデルベースのシミュレータと比較して、シミュレーション時間を最大6倍に短縮する。 CSM-NNはまた、HSPICEと比較して2%以下の誤差で高い精度のレベルを提供する。
論文参考訳（メタデータ） (2020-02-13T00:29:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。