《機器學習晶片系統的彈性能效技術研究》是依託復旦大學，由韓軍擔任項目負責人的面上項目。
基本介紹
- 中文名：機器學習晶片系統的彈性能效技術研究
- 依託單位：復旦大學
- 項目類別：面上項目
- 項目負責人：韓軍
- 批准號：61574040
項目摘要,結題摘要,
項目摘要
本項目著眼於解決複雜套用與嵌入式平台之間關於能效需求的矛盾與挑戰，致力於探索納米尺度積體電路的彈性能效設計方法學。機器學習算法是數據驅動的複雜計算任務，但此類算法的結構與運算結果卻存在著較大的弛豫範圍。這一特點使其在實現中對底層電路的故障具有較好的容忍度，可在更低的電源電壓下工作。因此本項目致力於研究在電壓頻率過度縮放的條件下如何對可靠性與能效進行聯合分析，從而利用電路、架構、算法等層次的彈性度來最佳化設計，實現片上機器學習系統的能效最佳化。以此為出發點，本項目首先將開展各項基礎理論研究，如機器學習算法分析、並行架構變換方法、自適應信號處理等；第二將開展電路、架構、算法級的故障與能效模型研究，建立仿真實驗平台；第三將開展跨層次的協同設計方法與流程研究，實現能效與可靠性的聯合最佳化；最後通過建立機器學習的原型系統，對彈性能效設計技術進行驗證和完善。
結題摘要
基於人工智慧的物聯網技術（AIoT）是未來實現社會經濟變革和傳統產業升級的重要驅動力，而要支撐這一領域的技術發展，如何突破能效瓶頸，實現片上機器學習是亟待解決的科學問題。本項目旨在從算法、架構和電路等層次入手探索機器學習晶片能效最佳化的彈性裕度，從而構建跨層次協同最佳化設計的方法和流程。本項目研究了電壓過縮放下機器學習晶片的故障噪聲容納機制，提出了一種基於加權均值雙邊預測的自學習技術，通過提升容錯能力充分開發能效裕度，使得心電處理電路的工作電壓可低至0.41V，最高能效達到2.28pJ/cycle。研究了基於自適應濾波的心電信號運動偽影噪聲消除方法，以低複雜度的電路結構實現對環境噪聲的自適應能力，從而提出了相應的高能效R波檢測電路設計。開展了片上機器學習系統的硬體架構最佳化設計研究，提出了高能效、低成本的腦電信號機器學習處理器的設計方案，實現了樹深度和個數可伸縮的 Adaboost 分類器結構。圍繞能效最佳化目標研究了算法、架構和電路多層次協同設計方法，並基於相應設計方法完成了一款面向人體姿態識別套用的機器學習處理器晶片的原型設計與驗證，其能效水平領先於國際同類研究工作。
