日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

エッジAI/ハードウェアアクセラレータarXiv:2605.06878

CARMEN: CORDIC加速によるリソース効率的な多精度ディープラーニング推論エンジン

CARMEN: CORDIC-Accelerated Resource-Efficient Multi-Precision Inference Engine for Deep Learning

シェア:XThreadsFacebookLINEはてブBluesky

CORDIC反復深さで精度を動的に切り替えられる多精度ベクトルエンジンを提案し、ASICとFPGAで高い計算密度とエネルギー効率を実証した。

詳しい要約

1. どんなもの?

- 深層学習推論向けのランタイム適応型マルチ精度ベクトルエンジン「CARMEN」を提案。 - CORDICを加速器として用い、リソース効率を高めた。 - 8/16ビット精度を柔軟にサポートし、ハードウェア利用率を向上。 - ASIC実装(28nm CMOS)とFPGA実装(PynqZ2)の両方で評価。

2. 先行研究と比べてどこがすごい?

- 従来の固定精度アクセラレータと異なり、CORDICの反復深度を調整することで、ハードウェア変更なしに近似実行と高精度実行を動的に切り替え可能。 - 計算サイクルを最大33%削減、MAC段あたりの消費電力を21%節約。 - 256-PE構成で4.83 TOPS/mm2の計算密度と11.67 TOPS/Wのエネルギー効率を達成。

3. 技術・手法の肝は?

- CORDICベースの低リソース反復型MACユニットを採用。 - 時分割多重化されたマルチ活性化関数ブロックを統合。 - CORDICの反復深度が計算精度を直接制御するという知見を利用し、動的に精度を切り替え。 - 8/16ビットの可変精度をサポート。

4. どうやって有効だと検証した?

- ASIC実装(28nm CMOS)で計算サイクル削減と電力節約を測定。 - 256-PE構成で計算密度とエネルギー効率を評価。 - FPGA実装(PynqZ2)でリアルタイム物体検出を実行し、154.6msのレイテンシと0.43Wの消費電力を確認。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- CORDICを利用したアクセラレータ(例:CORDIC-based neural network accelerators) - マルチ精度推論エンジン(例:multi-precision inference engines) - 動的精度調整手法(例:dynamic precision scaling)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sonu Kumar, Mukul Lokhande, Santosh Kumar Vishvakarma, Adam Teman

分類: cs.AR, cs.CC, cs.RO, eess.IV

原文アブストラクト

This paper presents CARMEN, a runtime-adaptive, CORDIC-accelerated multi-precision vector engine for resource-efficient deep learning inference. The key insight is that CORDIC iteration depth directly governs computational accuracy, enabling dynamic switching between approximate and accurate execution modes without hardware modification. The architecture integrates a low-resource iterative CORDIC-based MAC unit with a time-multiplexed multi-activation function block, supporting flexible 8/16-bit precision and high hardware utilization. ASIC implementation in 28 nm CMOS achieves up to 33% reduction in computation cycles and 21% power savings per MAC stage; a 256-PE configuration delivers 4.83 TOPS/mm2 compute density and 11.67 TOPS/W energy efficiency. FPGA deployment on PynqZ2 validates 154.6 ms latency at 0.43 W for real-time object detection.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  5. 5Google DeepMind、ロボット向けAIを発表新製品・発表

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI