qGAMMA：面向多精度加速器的最优 DNN 映射框架
qGAMMA: A Framework for Optimal DNN Mapping on Multi-Precision Accelerators
Leandro Fiorin · Luigi Altamura · Cristina Silvano
中文摘要
qGAMMA 是一个用于探索和优化混合精度深度神经网络（DNN）模型在支持多种定点和浮点精度通用空间加速器上映射的灵活框架。该框架利用基于硬件综合结果的解析性能模型和领域特定遗传算法来导航设计空间，从而确定能最小化目标指标的最优映射和加速器配置。在广泛的 DNN 工作负载评估中，qGAMMA 为设计混合精度应用提供了有价值的见解，有助于在性能、能效和资源利用率之间实现更优的权衡。
关键要点
- 01提出 qGAMMA 框架，用于优化混合精度 DNN 在支持多精度通用空间加速器上的映射。
- 02结合领域特定遗传算法与基于硬件综合结果的解析性能模型，以导航设计空间。
- 03通过确定最优映射和加速器配置，实现目标指标的最小化。
- 04评估表明该框架有助于在性能、能效和资源利用率之间取得更好的平衡。
解读
尚无解读。
原始英文摘要
arXiv:2610.23222v1 Announce Type: cross Abstract: This work describes qGAMMA, a flexible framework for exploring and optimizing the mapping of mixed-precision Deep Neural Network (DNN) models onto general-purpose spatial accelerators that support a range of fixed- and floating-point precisions. qGAMMA navigates the design space using a domain-specific genetic algorithm and an analytical performance model based on hardware synthesis results. The framework identifies the optimal mapping and accelerator configuration that minimizes target metrics. Extensive evaluations across DNN workloads show that qGAMMA offers valuable insights for designing mixed-precision applications, enabling better trade-offs between performance, energy efficiency, and resource utilization.