Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.09010

帮助 | 高级搜索

计算机科学 > 硬件架构

arXiv:2507.09010 (cs)
[提交于 2025年7月11日 ]

标题: 具有优化数据流的边缘大语言模型推理混合流水线阵列加速器

标题: Hybrid Systolic Array Accelerator with Optimized Dataflow for Edge Large Language Model Inference

Authors:Chun-Ting Chen, HanGyeol Mun, Jian Meng, Mohamed S. Abdelfattah, Jae-sun Seo
摘要: 边缘推理为大型语言模型(LLM)提供了安全、低延迟和成本效益高的推理解决方案。 我们强调,边缘加速器应在内存密集的解码阶段实现高面积效率并最小化外部内存访问(EMA),同时在计算密集的预填充阶段保持高能效。 本文提出了一种具有混合脉动阵列(HSA)架构的边缘LLM推理加速器,该架构优化了两个阶段的推理效率。 为了进一步减少EMA,我们采用了MXINT4权重量化,并提出了一种针对HSA优化的数据流,确保可忽略的反量化开销,并在边缘DRAM带宽限制下实现100%的硬件利用率,同时仅造成最小的精度损失。 对于非线性操作,我们集成了优化的均方根归一化(RMSNorm)和旋转位置嵌入(RoPE)单元,在减少其延迟、面积和内存访问开销的同时,实现了在我们的加速器上的端到端推理。 我们的解决方案在运行一个1.3B LLM的长输入/长输出场景时,达到了247/117(token/s/mm2),相比现有方法提供了超过2.45倍/13.5倍的提升,同时在标记生成过程中保持了卓越的能效。
摘要: Edge inference for large language models (LLM) offers secure, low-latency, and cost-effective inference solutions. We emphasize that an edge accelerator should achieve high area efficiency and minimize external memory access (EMA) during the memory-bound decode stage, while maintaining high energy efficiency during the compute intensive prefill stage. This paper proposes an edge LLM inference accelerator featuring a hybrid systolic array (HSA) architecture that optimizes inference efficiency in both stages. To further reduce EMA, we adopt MXINT4 weight quantization and propose an optimized dataflow tailored for HSA, ensuring negligible dequantization overhead and achieving 100% hardware utilization with minimal accuracy loss under edge DRAM bandwidth constraints. For non-linear operations, we incorporate optimized root mean square normalization (RMSNorm) and rotary position embedding (RoPE) units, reducing their latency, area, and memory access overhead while enabling end-to-end inference on our accelerator. Our solution achieves 247/117 (token/s/mm2) while running a 1.3B LLM on long-input/long-output scenarios, providing >2.45x/13.5x improvement over existing approaches, while maintaining superior energy efficiency in token generation.
评论: 被接受为2025年IEEE/ACM国际低功耗电子与设计研讨会(ISLPED)的会议论文
主题: 硬件架构 (cs.AR) ; 人工智能 (cs.AI)
引用方式: arXiv:2507.09010 [cs.AR]
  (或者 arXiv:2507.09010v1 [cs.AR] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.09010
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Chun-Ting Chen Mr. [查看电子邮件]
[v1] 星期五, 2025 年 7 月 11 日 20:27:30 UTC (786 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AR
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号