| Project/Area Number |
22K21284
|
|---|
| Research Category |
Grant-in-Aid for Research Activity Start-up
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
1001:Information science, computer engineering, and related fields
|
|---|
| Research Institution | Tokyo Institute of Technology (2023)
Keio University (2022) |
|---|
Principal Investigator |
Fujiki Daichi 東京工業大学, 科学技術創成研究院, 准教授 (60963254)
|
|---|
| Project Period (FY) |
2022-08-31 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2022: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
|---|
| Keywords | 計算機アーキテクチャ / インメモリ計算 / メモリアーキテクチャ / キャッシュ / PIM |
|---|
| Outline of Research at the Start |
インメモリ計算というメモリの中で直接計算を行う技術が、データ移動に係る膨大なコストを低減させる効果があるとして注目を集めている。本研究では、多様なメモリを持つ現代のコンピューティングシステムが、このインメモリ計算技術によってどう変貌するか探求する。そのため、複数のインメモリ計算基盤に着目しながら、GNNなどの動的なアプリケーションの効果的な実行方法を模索し、複数レイヤインメモリ計算技術の有用性を検証する。
|
| Outline of Final Research Achievements |
This research addressed architectural challenges in multi-layer in-memory computing (MLIMP) systems. To actively leverage the trade-offs between heterogeneous memories in the memory hierarchy, we devised task scheduling and performance prediction methods targeting machine learning workloads such as GNN and data-parallel workloads.
Furthermore, we discovered the potential of MLIMP to solve locality utilization issues in memory-centric computing. We achieved memory access locality exploitation, which was difficult in single-level in-memory computing systems, by utilizing multi-layer in-memory computing that leverages performance tradeoffs between memory hierarchies. We introduced the concept of "view" to guarantee input/output coherence and defined a cache coherence protocol extension to enable view reuse.
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究の学術的意義は、複数階層インメモリコンピューティングという新しい計算機アーキテクチャの提案と、その上で機械学習やデータ並列処理を効率化するスケジューリング・性能予測手法を提案した点にある。また、コヒーレンスに関する課題を新たに発見し、有用なプロトコル拡張を定義したことは高く評価されている。
社会的意義としては、本研究の成果がGNNなどのデータインテンシブな計算の高速化に繋がり、創薬や金融分野におけるシミュレーションの効率化に貢献できる点が挙げられる。また、インメモリコンピューティングの汎用化は、将来的に様々な計算処理の高速化に繋がり、省エネルギーな社会の実現にも貢献する可能性がある。
|
