前 言

我們高興地向讀者推出本刊“面向人工智能的計(jì)算機(jī)體系結(jié)構(gòu)”專題！近幾年來人工智能技術(shù)的飛速發(fā)展使得其應(yīng)用迅猛擴(kuò)大，而傳統(tǒng)的計(jì)算機(jī)體系結(jié)構(gòu)對于面向人工智能的應(yīng)用在處理速度、能耗、使用的方便性等方面有著諸多不足.隨著人工智能應(yīng)用的發(fā)展，面向人工智能的體系結(jié)構(gòu)成為體系結(jié)構(gòu)研究與發(fā)展中的一個(gè)重要方向.因此，本刊在“計(jì)算機(jī)體系結(jié)構(gòu)前沿技術(shù)”專題系列中，出版“面向人工智能的計(jì)算機(jī)體系結(jié)構(gòu)”專題.本專題包含面向人工智能應(yīng)用的體系結(jié)構(gòu)技術(shù)、人工智能應(yīng)用程序的行為分析及其對體系結(jié)構(gòu)的要求、面向人工智能應(yīng)用及特定體系結(jié)構(gòu)的優(yōu)化技術(shù)等方面共6篇文章.

傳統(tǒng)的馮·諾依曼體系結(jié)構(gòu)對于面向人工智能應(yīng)用的神經(jīng)網(wǎng)絡(luò)計(jì)算有諸多不適應(yīng).類腦機(jī)是一類典型的非馮·諾依曼體系結(jié)構(gòu).類腦機(jī)在處理人工智能問題的許多領(lǐng)域中比傳統(tǒng)的馮·諾依曼結(jié)構(gòu)具有速度、能耗等方面的優(yōu)勢，引起智能機(jī)器研究人員的高度興趣和重視.黃鐵軍等的文章“類腦機(jī)的思想與體系結(jié)構(gòu)綜述”介紹類腦機(jī)的研究和發(fā)展概況.文章介紹了類腦機(jī)的基本概念、原理結(jié)構(gòu)、典型的類腦機(jī)系統(tǒng)，也介紹了脈沖神經(jīng)網(wǎng)絡(luò)的工作原理及其信息處理能力，文章還預(yù)測了類腦機(jī)的發(fā)展前景，并給出類腦機(jī)研究中的重要問題.

基于憶阻器的神經(jīng)網(wǎng)絡(luò)內(nèi)存計(jì)算架構(gòu)是一類獲得計(jì)算機(jī)體系結(jié)構(gòu)研究者高度關(guān)注的計(jì)算架構(gòu).此類架構(gòu)在人工智能計(jì)算的大量應(yīng)用中比傳統(tǒng)的馮·諾依曼結(jié)構(gòu)在性能、能耗、效率等方面具有優(yōu)越性.然而，基于憶阻器的內(nèi)存計(jì)算硬件存在外圍電路面積大、功能單元利用率低等問題.毛海宇和舒繼武的文章“基于3D 憶阻器陣列的神經(jīng)網(wǎng)絡(luò)內(nèi)存計(jì)算架構(gòu)”提出一種基于3D憶阻器陣列的神經(jīng)網(wǎng)絡(luò)內(nèi)存計(jì)算架構(gòu)FMC，把實(shí)現(xiàn)功能單元的外圍電路聚集而形成一個(gè)功能單元池，供多個(gè)堆疊于其上的憶阻器陣列共享.文章還提出一種數(shù)據(jù)映射策略,提高功能單元的利用率并減少憶阻器立方體之間的數(shù)據(jù)傳輸.實(shí)驗(yàn)結(jié)果表明文章所提出的技術(shù)可以提升功能單元利用率、減小空間占用、提升性能并降低能耗.

深度學(xué)習(xí)是人工智能的一類重要技術(shù)，在云計(jì)算、邊緣計(jì)算等框架下均有廣泛的應(yīng)用.左鵬飛等的文章“面向深度學(xué)習(xí)加速器的安全加密方法”提出，部署在邊緣計(jì)算設(shè)備上的深度學(xué)習(xí)加速器有泄露所存儲的深度學(xué)習(xí)模型的風(fēng)險(xiǎn).文章針對此問題提出一種深度學(xué)習(xí)加速器架構(gòu)COSA.COSA利用計(jì)數(shù)器模式加密，提高加速器的安全性,并且把解密操作從內(nèi)存訪問的關(guān)鍵路徑中移出以便提高加速器性能.實(shí)驗(yàn)結(jié)果表明文章所提出的技術(shù)的有效性.

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)在不同領(lǐng)域中獲得廣泛的應(yīng)用.如何根據(jù)不同的計(jì)算特征、不同的網(wǎng)絡(luò)規(guī)模設(shè)計(jì)高能效的加速器？如何基于有限的硬件資源提高網(wǎng)絡(luò)性能并最大化資源利用率?這些都是體系結(jié)構(gòu)研究中的重要問題.面向這些問題，方榮強(qiáng)等的文章“多層神經(jīng)網(wǎng)絡(luò)算法的計(jì)算特征建模方法”提出一種基于計(jì)算特征的神經(jīng)網(wǎng)絡(luò)分析和優(yōu)化方法.文章提出基于“層”的粒度解析神經(jīng)網(wǎng)絡(luò)模型并提取模型通用表達(dá)式,進(jìn)而根據(jù)通用表達(dá)式和基本操作屬性提取模型運(yùn)算量和存儲空間的需求等特征，并提出基于特征的最大值更替的運(yùn)行調(diào)度算法,從而可以利用特征分析和資源狀況優(yōu)化運(yùn)行調(diào)度方案.實(shí)驗(yàn)結(jié)果說明了文章所提的技術(shù)的有效性.

長短期記憶網(wǎng)絡(luò)是人工智能領(lǐng)域中的一種重要的網(wǎng)絡(luò)，有著廣泛的應(yīng)用；而利用阻變存儲器交叉開關(guān)設(shè)計(jì)內(nèi)存計(jì)算結(jié)構(gòu)是一種高效處理長短期記憶網(wǎng)絡(luò)的加速器結(jié)構(gòu).由于長短期記憶網(wǎng)絡(luò)的計(jì)算特征和阻變存儲器本身的物理性質(zhì)，該種網(wǎng)絡(luò)加速器的訓(xùn)練和軟件仿真是加速器設(shè)計(jì)中的重要環(huán)節(jié).劉鶴等的文章“面向阻變存儲器的長短期記憶網(wǎng)絡(luò)加速器的訓(xùn)練和軟件仿真”提出一種針對阻變存儲器特征的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，可以獲得符合阻變存儲器約束的神經(jīng)網(wǎng)絡(luò)模型.同時(shí)，文章提出一種模擬器結(jié)構(gòu)，可以用時(shí)鐘驅(qū)動的形式模擬設(shè)計(jì)者提出的以阻變存儲器交叉開關(guān)結(jié)構(gòu)為核心的加速部件的長短期記憶加速器微體系結(jié)構(gòu)，從而為設(shè)計(jì)者提供模擬工具.文章介紹了其模塊結(jié)構(gòu)和實(shí)現(xiàn)方法，并對所提出的技術(shù)給出了試驗(yàn)評估結(jié)果.

深度神經(jīng)網(wǎng)絡(luò)是當(dāng)前人工智能計(jì)算最重要的技術(shù)之一，被廣泛地應(yīng)用于人工智能計(jì)算的各個(gè)領(lǐng)域.對于深度神經(jīng)網(wǎng)絡(luò)計(jì)算的硬件加速是體系結(jié)構(gòu)研究中的一個(gè)重要領(lǐng)域.向陶然等的文章“基于細(xì)粒度數(shù)據(jù)流架構(gòu)的稀疏神經(jīng)網(wǎng)絡(luò)全連接層加速”提出了一種在基于細(xì)粒度數(shù)據(jù)流體系結(jié)構(gòu)的硬件加速器上加速稀疏的深度神經(jīng)網(wǎng)絡(luò)全連接層的方法，可以優(yōu)化深度神經(jīng)網(wǎng)絡(luò)計(jì)算在細(xì)粒度數(shù)據(jù)流架構(gòu)的加速器的實(shí)現(xiàn).文章針對深度神經(jīng)網(wǎng)絡(luò)計(jì)算應(yīng)用和加速器體系結(jié)構(gòu)的特點(diǎn)提出相應(yīng)的數(shù)據(jù)壓縮格式及加速計(jì)算方案.實(shí)驗(yàn)結(jié)果顯示，文章所提出的方法相較于原有稠密的全連接層運(yùn)算可以大幅度減少峰值帶寬需求，與一些CPU，GPU，mGPU等結(jié)構(gòu)相比，可以大幅度提高其計(jì)算部件的利用率.

我們期望本專題的出版能對計(jì)算機(jī)、人工智能等領(lǐng)域的研究和開發(fā)人員起到重要的啟發(fā)、參考和借鑒作用，促進(jìn)計(jì)算機(jī)體系結(jié)構(gòu)研究的進(jìn)展！我們衷心感謝向本刊投稿的所有文章的作者以及為本專題評審稿件的所有專家！衷心感謝本刊編委為組織本專題提供的機(jī)會和本刊編輯部同仁的大力支持！