这篇论文是2020年2月发表在arxiv的《Co-Exploration of Neural Architectures and Heterogeneous ASIC Accelerator Designs Targeting Multiple Tasks》。第一作者为圣母大学的博士后Lei Yang（杨蕾），她将于今年秋天加入墨西哥大学担任副教授；姜炜文、史弋宇为mentor，值得一提的是史教授就是去年那位在芝加哥利用“贪心算法”把持枪劫车匪徒抓获的老板。

作者提出了一个同时搜索神经网络的结构和硬件架构的方法NASAIC。
支持多个任务的DNN搜索，且支持异构硬件PE的搜索。这篇文章也对搜索空间进行了可视化，分析了搜索的好处。

方法

搜索框架

• 给定多任务的workload W，最大化DNN网络的accuracy，并满足latency、energy、area和硬件使用量小于threshold
• 加速器可以有多个sub-accelerators，每个sub-accelerators可以使用不同的dataflow，加速器按照DNN层进行前向预测
• 多个任务使用执行不同的DNN，将DNNs的每个Layer分配到加速器的sub-accelerators上执行，计算reward

搜索空间

• DNN
  • 为Workload中的每个Task $T_i\in W$ 搜索一个DNN $D_i=<B_i, L_i, H_i, acc_i>$
    • $B_i$为backbone
    • $L_i、H_i$为层数、每层的参数(channel size, 连接关系等)
  • 通过NAS去搜索$D_i$的参数$H_i$
• ASIC Accelerator
  • 包含多个sub-accelerator，用NoC连接
  • 使用NAS搜索每个sub-accelerator的参数<dataflow,pe_number,noc_bandwidth>
    • dataflow可以选择shidiannao、NVDLA等
    • PE总数量限制小于4096
    • NoC总带宽限制小于64GB/s
  • memory buffer的大小根据最大化硬件利用率来

硬件性能评估

• 使用MAESTRO（开源cost model）模拟，将网络层分配到硬件上执行，得到latency energy area

搜索方法

• 用controller来sample每个network的结构和每个sub-accelerator的type和参数
• 计算reward，并用policy gradient的方法更新controller
• 交替搜索DNN和硬件
  • SA阶段：Neural Architecture exploration
  • SH阶段：Hardware design exploration

实验

• 不同任务组合下的explore space
  • W1: CIFAR-10+Nuclei(segmentation)
  • W2: CIFAR-10+STL-10(classification)
  • W3: CIFAR-10
  • classification: ResNet-9架构
  • segmentation: UNet架构
  • sample 500个网络-每个网络sample 10种硬件设计
• 观察
  • 最好的设计不一定最靠近限制线
  • 相比于NAS->ASIC和ASIC->HW-NAS，交替搜索能得到更好的效果
  • 异构设计比同构设计有优势

评价

多任务与异构神经网络的架构设计很有意思，虽然这篇文章只尝试了小数据集，但结果显示了异构设计的优势。