ترجمه فارسی مقاله Count2Multiply: شمارش رادیکس بالا در حافظه قابل اعتماد

چکیده

Big data processing has exposed the limits of compute-centric hardware acceleration due to the memory-to-processor bandwidth bottleneck. Consequently, there has been a shift towards memory-centric architectures, leveraging substantial compute parallelism by processing using the memory elements directly. Computing-in-memory (CIM) proposals for both conventional and emerging memory technologies often target massively parallel operations. However, current CIM solutions face significant challenges. For emerging data-intensive applications, such as advanced machine learning techniques and bioinformatics, where matrix multiplication is a key primitive, memristor crossbars suffer from limited write endurance and expensive write operations. In contrast, while DRAM-based solutions have successfully demonstrated multiplication using additions, they remain prohibitively slow. This paper introduces Count2Multiply, a technology-agnostic digital-CIM method for performing integer-binary and integer-integer matrix multiplications using high-radix, massively parallel counting implemented with bitwise logic operations. In addition, Count2Multiply is designed with fault tolerance in mind and leverages traditional scalable row-wise error correction codes, such as Hamming and BCH codes, to protect against the high error rates of existing CIM designs. We demonstrate Count2Multiply with a detailed application to CIM in conventional DRAM due to its ubiquity and high endurance. We also explore the acceleration potential of racetrack memories due to their shifting properties, which are natural for Count2Multiply, and their high endurance. Compared to the state-of-the-art in-DRAM method, Count2Multiply achieves up to 10x speedup, 3.8x higher GOPS/Watt, and 1.4x higher GOPS/area, while the RTM counterpart offers gains of 10x, 57x, and 3.8x.

چکیده به فارسی (ترجمه ماشینی)

پردازش داده های بزرگ محدودیت های شتاب سخت افزاری محاسبات محور را به دلیل تنگنای پهنای باند حافظه به پردازنده در معرض دید قرار داده است.در نتیجه ، تغییر به سمت معماری های محور حافظه وجود داشته است ، و با پردازش با استفاده از عناصر حافظه مستقیم ، موازی محاسبات قابل توجهی را اعمال می کند.پیشنهادهای محاسباتی در حافظه (CIM) برای هر دو فن آوری حافظه معمولی و در حال ظهور اغلب عملیات موازی به صورت عظیم را هدف قرار می دهد.با این حال ، راه حل های CIM فعلی با چالش های مهمی روبرو هستند.برای برنامه های در حال ظهور داده های فشرده ، مانند تکنیک های پیشرفته یادگیری ماشین و بیوانفورماتیک ، که ضرب ماتریس یک تقاطع مهم و ابتدایی است ، از Crossbars Memristor از استقامت نوشتن محدود و عملیات نوشتن گران قیمت رنج می برد.در مقابل ، در حالی که راه حل های مبتنی بر درام با موفقیت ضرب و شتم را با استفاده از اضافات نشان داده اند ، اما به طرز ممنوع کند هستند.در این مقاله Count2Multiply ، یک روش دیجیتال-CIM فناوری-آگنوستیک برای انجام ضربهای ماتریس با دوتایی و عدد صحیح با استفاده از رادیکس بالا ، شمارش موازی به طور موازی با عملیات منطق bitwise ارائه شده است.علاوه بر این ، Count2Multiply با تحمل گسل در ذهن طراحی شده است و کدهای تصحیح خطای ردیف مقیاس پذیر سنتی مانند کدهای Hamming و BCH را برای محافظت در برابر نرخ خطای بالای طرح های CIM موجود استفاده می کند.ما به دلیل همه گیر بودن و استقامت زیاد ، با یک کاربرد دقیق برای CIM در درام معمولی ، Count2Multiply را نشان می دهیم.ما همچنین پتانسیل شتاب خاطرات مسابقه را به دلیل خاصیت تغییر آنها ، که برای Count2Multiply طبیعی است و استقامت بالای آنها طبیعی است ، بررسی می کنیم.در مقایسه با روش پیشرفته در DRAM ، Count2Multiply تا 10 برابر سرعت ، 3.8 برابر GOPS/وات بالاتر و 1.4 برابر GOPS/منطقه بالاتر به دست می آید ، در حالی که همتای RTM سودهای 10 برابر ، 57x و 3.8 را ارائه می دهدx.