告知タイプ: 新規
要約: デジタル Compute-in-Memory（DCiM）は、データ移動を削減することでニューラルネットワークを加速します。近似DCiMは、電力-性能-面積（PPA）をさらに改善できますが、結合したアーキテクチャとトランジスタレベルの選択にまたがる精度制約を伴う共最適化を要求します。OpenYieldを基盤として、Accuracy-Constrained Co-Optimization（ACCO）を導入し、ACCOを実現するOpenACMv2というオープンフレームワークを提示します。これは、ACCOを二段階の最適化で動作させるものです：(1) PPAと誤差のための高速GNNベース代理モデルによって推進される、コンプレッサーの組み合わせとSRAMマクロパラメータの精度制約付きアーキテクチャ探索、(2) Monte Carloを用いた標準セルとSRAMビットセルのバリエーション・PVT対応トランジスタサイズ設計。ACCOをアーキテクチャレベルの探索と回路レベルのサイズ設定に分離することにより、OpenACMv2は古典的な単目的および多目的最適化アルゴリズムを統合して、強力なPPAと精度のトレードオフと堅牢な収束性を提供します。ワークフローはFreePDK45およびOpenROADと互換性があり、再現可能な評価と容易な導入をサポートします。実験では、制御された精度予算のもとで顕著なPPAの改善を示し、近似DCiMに対する迅速な「what-if」探索を可能にします。フレームワークは https://github.com/ShenShan123/OpenACM で利用可能です。
OpenACMv2: 近似 DCiM の精度制約付き共同最適化フレームワーク
arXiv cs.LG / 2026/3/16
📰 ニュースIdeas & Deep AnalysisTools & Practical UsageModels & Research
要点
- ACCO は OpenACMv2 で、精度制約型アーキテクチャ探索をトランジスタサイズ設計から分離することにより、近似 DCiM の PPA と精度のトレードオフを最適化します。
- このフレームワークは、高速なグラフニューラルネットワーク（GNN）代理モデルを用いて、コンプレッサ構成と SRAM マクロパラメータに対するアーキテクチャ探索を導き、電力、面積、誤差を予測します。
- 標準セルおよび SRAM ビットセルに対して、モンテカルロ法を用いた変動・製造変動を意識した（PVT）トランジスタサイズ設計を実行し、頑健性を高めます。
- OpenACMv2 は FreePDK45 および OpenROAD との互換性を前提に設計されており、再現性のある評価と既存フローへの導入を容易にします。
- このプロジェクトは GitHub でオープンソースとして公開されており、近似 DCiM の研究開発における精度予算と PPA の成果を迅速に what-if 探索できるようにします。
