JP6890741B2 - アーキテクチャ推定装置、アーキテクチャ推定方法、およびアーキテクチャ推定プログラム - Google Patents
アーキテクチャ推定装置、アーキテクチャ推定方法、およびアーキテクチャ推定プログラム Download PDFInfo
- Publication number
- JP6890741B2 JP6890741B2 JP2021506820A JP2021506820A JP6890741B2 JP 6890741 B2 JP6890741 B2 JP 6890741B2 JP 2021506820 A JP2021506820 A JP 2021506820A JP 2021506820 A JP2021506820 A JP 2021506820A JP 6890741 B2 JP6890741 B2 JP 6890741B2
- Authority
- JP
- Japan
- Prior art keywords
- architecture
- combination
- layer
- layers
- candidates
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 36
- 239000010410 layer Substances 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000011229 interlayer Substances 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
- Advance Control (AREA)
Description
非特許文献1では、ニューラルネットワークが入力されると、RTL(Register Transfer Level)が生成される技術が開示されている。非特許文献1では、内部的には高位合成が動作する。
人工知能の処理は重たく、回路規模が大きくなる傾向にある。そのため、人工知能処理を開発する開発者あるいは回路の部品を選ぶ回路設計者には、その人工知能の処理がどのくらいの回路規模となるかを予め見積もりたいという要望がある。しかし、非特許文献1の技術では、最適な回路アーキテクチャを得ることができないため、回路規模と適切に見積もることはできないという課題がある。
前記ニューラルネットワークモデルを表すニューラルネットワーク情報と、前記回路に要求される非機能要件とを受け付ける受付部と、
前記複数の層の層間のアーキテクチャである層間アーキテクチャと、前記複数の層の各層ごとの層内のアーキテクチャである層内アーキテクチャとの組み合わせをアーキテクチャ組み合わせとして生成し、前記アーキテクチャ組み合わせから前記非機能要件として遅延量を削減するアーキテクチャ組み合わせの候補を複数のアーキテクチャ組み合わせ候補として探索する探索部と、
前記複数のアーキテクチャ組み合わせ候補の各々について、前記非機能要件を満たすか否かを判定する判定部と、
前記複数のアーキテクチャ組み合わせ候補のうち前記非機能要件を満たすアーキテクチャ組み合わせ候補をアーキテクチャ候補として含む候補情報を生成する候補情報生成部と
を備えた。
***構成の説明***
図1を用いて、本実施の形態に係るアーキテクチャ推定装置100の構成について説明する。
プロセッサ910は、演算処理を行うIC(Integrated Circuit)である。プロセッサ910の具体例は、CPU(Central Processing Unit)、DSP(Digital Signal Processor)、GPU(Graphics Processing Unit)である。
補助記憶装置922は、データを保管する記憶装置である。補助記憶装置922の具体例は、HDDである。また、補助記憶装置922は、SD(登録商標)メモリカード、CF、NANDフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ(登録商標)ディスク、DVDといった可搬の記憶媒体であってもよい。なお、HDDは、Hard Disk Driveの略語である。SD(登録商標)は、Secure Digitalの略語である。CFは、CompactFlash(登録商標)の略語である。DVDは、Digital Versatile Diskの略語である。
出力インタフェース940は、ディスプレイといった出力機器のケーブルが接続されるポートである。出力インタフェース940は、具体的には、USB端子またはHDMI(登録商標)(High Definition Multimedia Interface)端子である。ディスプレイは、具体的には、LCD(Liquid Crystal Display)である。
アーキテクチャ推定プログラムは、上記の各部の「部」を「処理」、「手順」あるいは「工程」に読み替えた各処理、各手順あるいは各工程を、コンピュータに実行させる。また、アーキテクチャ推定方法は、アーキテクチャ推定装置100がアーキテクチャ推定プログラムを実行することにより行われる方法である。
アーキテクチャ推定プログラムは、コンピュータ読取可能な記録媒体に格納されて提供されてもよい。また、アーキテクチャ推定プログラムは、プログラムプロダクトとして提供されてもよい。
図2は、本実施の形態に係るアーキテクチャ推定装置100の入出力の例を示す図である。
アーキテクチャ推定装置100は、複数の層を備えたニューラルネットワークモデルにより表される動作を実行する回路のアーキテクチャを推定する装置である。
アーキテクチャ推定装置100には、入力インタフェース930あるいは通信装置950を介して、NN(ニューラルネットワーク)情報151と、非機能要件152とが入力される。そして、アーキテクチャ推定装置100は、出力インタフェース940あるいは通信装置950を介して、候補情報154を出力する。
図4は、本実施の形態に係る非機能要件152の構成例である。
図3では、説明の簡単のために、NN情報151を表で表している。NN情報151は、複数の層を備えたニューラルネットワークモデルを表す。NN情報151は、全結合のDNN(Deep neural network)構造である。本実施の形態では、全結合のDNN構造で説明を行うが、全結合していない順伝播型のCNN(Convolutional Neural Network)構造でも適用可能である。
次に、本実施の形態に係るアーキテクチャ推定装置100の動作について説明する。
図5は、本実施の形態に係るアーキテクチャ推定装置100の動作を表すフロー図である。
ステップS101において、受付部110は、ニューラルネットワークモデルを表すNN情報151と、回路に要求される非機能要件152とを受け付ける。受付部110は、NN情報151と非機能要件152とを記憶部150に記憶する。具体的には、受付部110は、学習フレームワークで定義されたNNフォーマットを構文分析(パース)し、NN構造を取得する。NNフォーマットは、具体的には、Caffeであればprototxtである。
ステップS102において、探索部120は、複数の層の層間のアーキテクチャである層間アーキテクチャ21と、複数の層の各層ごとの層内のアーキテクチャである層内アーキテクチャ22との組み合わせをアーキテクチャ組み合わせ121として生成する。探索部120は、アーキテクチャ組み合わせから、非機能要件152として遅延量を削減するアーキテクチャ組み合わせの候補を複数のアーキテクチャ組み合わせ候補122として探索する。
図6は、本実施の形態に係るDNN情報151を表す模式図である。
図7は、本実施の形態に係るDNN構造の層内アーキテクチャの処理構成例である。
図8は、本実施の形態に係るDNN構造の時分割アーキテクチャを示す図である。
図9は、本実施の形態に係るDNN構造の非同期型パイプラインアーキテクチャを示す図である。
また、図7に示すように、DNN構造の層内アーキテクチャ22には、処理の順序、すなわちループの順番と、ループの展開数分のアーキテクチャが存在する。
まず、探索部120は、これらの処理方式のすべての組み合わせを構築し、全てのアーキテクチャ組み合わせ121を生成する。
図10に示すように、時分割アーキテクチャ211は、前層の計算が終わらないと、次の層の計算が開始できない。また、非同期型パイプラインアーキテクチャ212は、前層の計算結果を、後層が直ちに利用し、計算を開始できる。
パターン情報153には、層間アーキテクチャ21が非同期型パイプラインアーキテクチャ212であるアーキテクチャ組み合わせに対して遅延量を削減させる層内アーキテクチャ22の組み合わせパターンが記憶されている。図10のパターン情報153に示すように、前層と後層との組み合わせパターンが入力演算優先型アーキテクチャと出力演算優先型アーキテクチャとの組み合わせにより決定されている。
パターン情報153のパターン1からパターン4は、遅延量(レイテンシ)の削減が可能なアーキテクチャの組み合わせである。
つまり、探索部120は、まず全てのアーキテクチャ組み合わせ121を生成し、全てのアーキテクチャ組み合わせ121から、パターン情報153に基づいて、複数のアーキテクチャ組み合わせ121を探索する。探索部120は、全てのアーキテクチャ組み合わせ121から、層間アーキテクチャ21が非同期型パイプラインアーキテクチャであり、かつ、層内アーキテクチャ22の組み合わせパターンがパターン情報153を満たすアーキテクチャ組み合わせを、複数のアーキテクチャ組み合わせ121として探索する。
ステップS103において、判定部130は、複数のアーキテクチャ組み合わせ候補122の各々について、非機能要件152を満たすか否かを判定する。判定部130は、複数のアーキテクチャ組み合わせ候補122のうち、非機能要件152を満たすと判定したアーキテクチャ組み合わせ候補をアーキテクチャ候補131として出力する。
図12および図13は、本実施の形態に係る非同期型パイプラインアーキテクチャにおけるパターン別の遅延量の見積もり詳細を示す図である。
ステップS104において、候補情報生成部140は、複数のアーキテクチャ組み合わせ候補122のうち非機能要件152を満たすアーキテクチャ組み合わせ候補をアーキテクチャ候補131として含む候補情報154を生成する。候補情報生成部140は、判定部130からアーキテクチャ候補131を取得し、取得したアーキテクチャ候補131を候補情報154に設定することにより候補情報154を生成する。候補情報154は、出力インタフェース940あるいは通信装置950を介して、ディスプレイといった出力機器に出力される。
1層、2層、および3層には、各層の層内アーキテクチャ22が設定される。非同期型パイプラインアーキテクチャにおける1層、2層、および3層の層内アーキテクチャ22の組み合わせは、パターン情報153を用いて決定される。層間アーキテクチャ21には、非同期型パイプラインアーキテクチャを表すASYNC、あるいは、時分割アーキテクチャを表すSEQが設定される。候補情報154では、1行に、アーキテクチャ候補131と、アーキテクチャ候補131について推定される非機能要件とが設定される。
AI開発者あるいは回路設計者は、人工知能の処理がどのくらいの回路規模となるかを、この候補情報154を用いて予め見積もることができる。
<変形例1>
本実施の形態では、受付部110と探索部120と判定部130と候補情報生成部140の機能がソフトウェアで実現される。変形例として、受付部110と探索部120と判定部130と候補情報生成部140の機能がハードウェアで実現されてもよい。
アーキテクチャ推定装置100は、電子回路909、メモリ921、補助記憶装置922、入力インタフェース930、および出力インタフェース940を備える。
電子回路909は、具体的には、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ロジックIC、GA、ASIC、または、FPGAである。GAは、Gate Arrayの略語である。ASICは、Application Specific Integrated Circuitの略語である。FPGAは、Field−Programmable Gate Arrayの略語である。
受付部110と探索部120と判定部130と候補情報生成部140の機能は、1つの電子回路で実現されてもよいし、複数の電子回路に分散して実現されてもよい。
別の変形例として、受付部110と探索部120と判定部130と候補情報生成部140の一部の機能が電子回路で実現され、残りの機能がソフトウェアで実現されてもよい。
また、別の変形例として、受付部110と探索部120と判定部130と候補情報生成部140の一部あるいはすべての機能が、ファームウェアで実現されていてもよい。
本実施の形態に係るアーキテクチャ推定装置100は、ニューラルネットワークのモデルと、スループットとFPGA上で利用可能なDSP数とを含む非機能要件とを入力とする。そして、アーキテクチャ推定装置100は、非機能要件を満たすFPGA上のDNN回路構成を探索する。DNN計算順序最適化部は、DNNの各層の計算順序を変更する。また、アーキテクチャ推定装置100は、利用可能なDSP数を上限に、FPGA上で回路アーキテクチャを探索し、スループットとレイテンシを満足するFPGA上のアーキテクチャを出力する。アーキテクチャ推定装置100は、AI開発者あるいは設計者に依存せず、短時間で最適な回路の設計が可能になる。
また、実施の形態1のうち、複数の部分を組み合わせて実施しても構わない。あるいは、この実施の形態のうち、1つの部分を実施しても構わない。その他、この実施の形態を、全体としてあるいは部分的に、どのように組み合わせて実施しても構わない。
すなわち、実施の形態1では、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
なお、上記の実施の形態は、本質的に好ましい例示であって、本発明、その適用物あるいは用途の範囲を制限することを意図するものではなく、必要に応じて種々の変更が可能である。
Claims (6)
- 複数の層を備えたニューラルネットワークモデルにより表される動作を実行する回路のアーキテクチャを推定するアーキテクチャ推定装置において、
前記ニューラルネットワークモデルを表すニューラルネットワーク情報と、前記回路に要求される非機能要件とを受け付ける受付部と、
前記複数の層の層間のアーキテクチャである層間アーキテクチャと、前記複数の層の各層ごとの層内のアーキテクチャである層内アーキテクチャとの組み合わせをアーキテクチャ組み合わせとして生成し、前記アーキテクチャ組み合わせから前記非機能要件として遅延量を削減するアーキテクチャ組み合わせの候補を複数のアーキテクチャ組み合わせ候補として探索する探索部と、
前記複数のアーキテクチャ組み合わせ候補の各々について、前記非機能要件を満たすか否かを判定する判定部と、
前記複数のアーキテクチャ組み合わせ候補のうち前記非機能要件を満たすアーキテクチャ組み合わせ候補をアーキテクチャ候補として含む候補情報を生成する候補情報生成部と
を備えたアーキテクチャ推定装置。 - 前記受付部は、
前記回路に要求される遅延量を含む前記非機能要件を受け付け、
前記探索部は、
時分割アーキテクチャと非同期型パイプラインアーキテクチャとを前記層間アーキテクチャとして前記複数のアーキテクチャ組み合わせ候補を探索する請求項1に記載のアーキテクチャ推定装置。 - 前記アーキテクチャ推定装置は、
前記層間アーキテクチャが前記非同期型パイプラインアーキテクチャであるアーキテクチャ組み合わせに対して前記遅延量を削減させる層内アーキテクチャのパターンをパターン情報として記憶する記憶部を備え、
前記層間アーキテクチャが前記非同期型パイプラインアーキテクチャであり、かつ、前記層内アーキテクチャの組み合わせパターンが前記パターン情報を満たすアーキテクチャ組み合わせを、前記複数のアーキテクチャ組み合わせ候補として探索する請求項2に記載のアーキテクチャ推定装置。 - 前記探索部は、
ループの順序とループの展開数から決定される入力演算優先型アーキテクチャと出力演算優先型アーキテクチャとを前記層内アーキテクチャとして、前記複数のアーキテクチャ組み合わせ候補を探索し、
前記パターン情報は、
前層と後層との組み合わせパターンが前記入力演算優先型アーキテクチャと前記出力演算優先型アーキテクチャとの組み合わせにより決定されている請求項3に記載のアーキテクチャ推定装置。 - 複数の層を備えたニューラルネットワークモデルにより表される動作を実行する回路のアーキテクチャを推定するアーキテクチャ推定装置のアーキテクチャ推定方法において、
受付部が、前記ニューラルネットワークモデルを表すニューラルネットワーク情報と、前記回路に要求される非機能要件とを受け付け、
探索部が、前記複数の層の層間のアーキテクチャである層間アーキテクチャと、前記複数の層の各層ごとの層内のアーキテクチャである層内アーキテクチャとの組み合わせをアーキテクチャ組み合わせとして生成し、前記アーキテクチャ組み合わせから前記非機能要件として遅延量を削減するアーキテクチャ組み合わせの候補を複数のアーキテクチャ組み合わせ候補として探索し、
判定部が、前記複数のアーキテクチャ組み合わせ候補の各々について、前記非機能要件を満たすか否かを判定し、
候補情報生成部が、前記複数のアーキテクチャ組み合わせ候補のうち前記非機能要件を満たすアーキテクチャ組み合わせ候補をアーキテクチャ候補として含む候補情報を生成するアーキテクチャ推定方法。 - 複数の層を備えたニューラルネットワークモデルにより表される動作を実行する回路のアーキテクチャを推定するアーキテクチャ推定装置のアーキテクチャ推定プログラムにおいて、
前記ニューラルネットワークモデルを表すニューラルネットワーク情報と、前記回路に要求される非機能要件とを受け付ける受付処理と、
前記複数の層の層間のアーキテクチャである層間アーキテクチャと、前記複数の層の各層ごとの層内のアーキテクチャである層内アーキテクチャとの組み合わせをアーキテクチャ組み合わせとして生成し、前記アーキテクチャ組み合わせから前記非機能要件として遅延量を削減するアーキテクチャ組み合わせの候補を複数のアーキテクチャ組み合わせ候補として探索する探索処理と、
前記複数のアーキテクチャ組み合わせ候補の各々について、前記非機能要件を満たすか否かを判定する判定処理と、
前記複数のアーキテクチャ組み合わせ候補のうち前記非機能要件を満たすアーキテクチャ組み合わせ候補をアーキテクチャ候補として含む候補情報を生成する候補情報生成処理とをコンピュータであるアーキテクチャ推定装置に実行させるアーキテクチャ推定プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/010970 WO2020188658A1 (ja) | 2019-03-15 | 2019-03-15 | アーキテクチャ推定装置、アーキテクチャ推定方法、およびアーキテクチャ推定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6890741B2 true JP6890741B2 (ja) | 2021-06-18 |
JPWO2020188658A1 JPWO2020188658A1 (ja) | 2021-09-13 |
Family
ID=72519712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021506820A Active JP6890741B2 (ja) | 2019-03-15 | 2019-03-15 | アーキテクチャ推定装置、アーキテクチャ推定方法、およびアーキテクチャ推定プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210350216A1 (ja) |
JP (1) | JP6890741B2 (ja) |
WO (1) | WO2020188658A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694617B (zh) * | 2018-12-29 | 2023-05-02 | 中科寒武纪科技股份有限公司 | 网络离线模型的处理方法、人工智能处理装置及相关产品 |
CN114330699A (zh) * | 2020-09-28 | 2022-04-12 | 华为技术有限公司 | 神经网络结构搜索方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8103606B2 (en) * | 2006-12-08 | 2012-01-24 | Medhat Moussa | Architecture, system and method for artificial neural network implementation |
EP3451237A4 (en) * | 2016-04-28 | 2019-04-17 | Sony Corporation | INFORMATION PROCESSING DEVICE AND INFORMATION PROCESSING METHOD |
WO2018066074A1 (ja) * | 2016-10-04 | 2018-04-12 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP6936592B2 (ja) * | 2017-03-03 | 2021-09-15 | キヤノン株式会社 | 演算処理装置およびその制御方法 |
-
2019
- 2019-03-15 JP JP2021506820A patent/JP6890741B2/ja active Active
- 2019-03-15 WO PCT/JP2019/010970 patent/WO2020188658A1/ja active Application Filing
-
2021
- 2021-07-22 US US17/382,749 patent/US20210350216A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2020188658A1 (ja) | 2020-09-24 |
US20210350216A1 (en) | 2021-11-11 |
JPWO2020188658A1 (ja) | 2021-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7162704B2 (en) | Method and apparatus for circuit design and retiming | |
US10684776B2 (en) | Memory configuration for inter-processor communication in an MPSoC | |
Westby et al. | FPGA acceleration on a multi-layer perceptron neural network for digit recognition | |
Lin et al. | Hp-gnn: Generating high throughput gnn training implementation on cpu-fpga heterogeneous platform | |
Ma et al. | Algorithm-hardware co-design of single shot detector for fast object detection on FPGAs | |
US8667441B2 (en) | Clock optimization with local clock buffer control optimization | |
JP6890741B2 (ja) | アーキテクチャ推定装置、アーキテクチャ推定方法、およびアーキテクチャ推定プログラム | |
US8146039B2 (en) | Optimal distance based buffer tree for data path and clock | |
CN116070557A (zh) | 使用强化学习的数据路径电路设计 | |
JP4396987B2 (ja) | 動作合成装置および動作合成方法、ディジタル回路の製造方法、動作合成制御プログラム、可読記録媒体 | |
KR102002732B1 (ko) | 앙상블 모델을 이용한 심층 신경망 기반 데이터 처리 방법 및 장치 | |
JP5157534B2 (ja) | 動作合成装置、および、プログラム | |
Rao et al. | Vlsi design and analysis of multipliers for low power | |
US10599803B2 (en) | High level synthesis apparatus, high level synthesis method, and computer readable medium | |
CN115293076A (zh) | 生成电路的方法、电子设备及存储介质 | |
JP6735951B2 (ja) | 高位合成装置、高位合成方法および高位合成プログラム | |
Tufa et al. | Acceleration of Deep neural network training using field programmable gate arrays | |
US10289786B1 (en) | Circuit design transformation for automatic latency reduction | |
JP6342065B2 (ja) | 回路設計支援装置及び回路設計支援方法及び回路設計支援プログラム | |
Lee et al. | High-Speed CNN Accelerator SoC Design Based on a Flexible Diagonal Cyclic Array | |
CN115099176B (zh) | 优化电路的方法、电子设备及存储介质 | |
Huzyuk et al. | Designing low-power and high-speed fpga-based binary decision tree hardware accelerators | |
Abid et al. | Low power methodology for wishbone compatible IP cores based SoC design | |
US20240095430A1 (en) | Power Prediction Systems, Circuitry and Methods | |
JP6545406B2 (ja) | 高位合成装置、高位合成方法および高位合成プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210322 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210322 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210414 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210427 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210525 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6890741 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |