【博士论文】分形计算系统

数据派THU

共 1292字,需浏览 3分钟

 ·

2021-12-13 05:08

来源:专知
本文为论文,建议阅读5分钟
分形计算系统针对来源于“编程-规模相关性”的编程难题提供了解决方案。

来自中科院计算所赵永威的博士论文,入选2021年度“CCF优秀博士学位论文奖”初评名单!
https://www.ccf.org.cn/Focus/2021-11-22/750448.shtml

分形计算系统

在许多领域,编程成本已经成为阻碍计算机技术应用发展的主要瓶颈问题:超级计算机性能走向百亿亿次级别,然而现代超级计算机发展趋势是采用异构运算部件,导致编程困难的问题越来越严峻;在物端边缘计算领域,设备数量和种类呈现爆炸式增长,而应用程序开发者不可能针对上百亿种异构设备进行编程,产生了“昆虫纲悖论”;在机器学习领域,编程框架 TensorFlow 的代码规模已经突破 400 万行,为机器学习或深度学习开发领域特定加速器产品的主要成本已经来源于配套软件生态的研发。

编程难题包括并行编程难、异构编程难、大规模系统编程难、跨系统编程 难等诸多表现形式。学位论文拟提出分形计算概念,通过分形计算系统的研究以回应编程难题;具体来说,分形计算系统针对来源于“编程-规模相关性”的编程难题提供了解决方案。具体贡献包括:

• 提出分形计算模型(FPM),一种采用了层次同性原理的通用并行计算模型。分形计算模型具有编程-规模无关性,是一种串行编程、并行执行的模型。使用者只需编写串行的程序,该计算模型可以自动展开至任 意规模的系统上并行执行,因此可以在通用领域解决来源于编程-规模相关性的编程难题。

• 提出分形冯·诺伊曼体系结构(FvNA),一种采用了层次同性原理的专用并行体系结构。相同任务负载在不同规模的分形冯·诺依曼体系结构 计算机上可以分别自动展开、执行,因此可以做到对一系列不同规模的 计算机仅需进行一次编程。以机器学习领域专用体系结构为例,本文实现了一系列分形机器学习计算机 Cambricon-F,以解决机器学习计算机编程困难的问题。实验结果表明,Cambricon-F 在改善了编程生产率的 同时,还能获得不劣于 GPU 系统的性能和能效。 

• 提出可重配分形指令集结构(FRISA),一种按照分形计算模型设计的分形计算机指令集结构。分形可重配指令集结构能够在分形冯·诺依曼 体系结构计算机上定义任意的分形运算,因此可以支持实现分形计算模型,形成通用分形冯·诺依曼体系结构计算机。以机器学习领域专用体 系结构为例,本文在 Cambricon-F 的基础上实现了一系列可重配的分形 机器学习计算机 Cambricon-FR,以解决 Cambricon-F 在新兴机器学习应 用上遇到的失效现象。实验结果表明,Cambricon-FR 在解决了失效现象、提高系统运行效率的同时,还能通过定义分形扩展指令缩短描述应用所需的分形指令串的长度。



浏览 66
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报