2021 Fiscal Year Annual Research Report
深層学習用途に最適化した不揮発性半導体メモリシステムの研究
| Project/Area Number |
19K15051
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
松井 千尋 東京大学, 大学院工学系研究科(工学部), 特任助教 (80823484)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 不揮発性半導体メモリ / メモリシステム / 深層学習 / ネットワーク |
|---|
| Outline of Annual Research Achievements |
不揮発性半導体メモリを活用しつつメモリの性能・信頼性・電力のトレードオフを解決するため、複数種類の不揮発性半導体メモリを用いたメモリシステムを協調設計することに取り組んだ。。
従来のネットワークではネットワークのレイテンシがボトルネックだったが、高速ネットワークはネットワークのレイテンシが短くバンド幅が広くなるため、不揮発性半導体メモリのアクセスレイテンシがボトルネックとなる。クラウドからエッジまでが高速ネットワークで接続されたメモリシステムの階層で深層学習を行う場合に、各ネットワーク階層のエッジマシン・エッジサーバ・クラウドサーバで扱うデータの性質を考慮し、それぞれ異なる不揮発性半導体メモリを用いたメモリシステムモデルを設計した。エッジデバイスには3D-TLC NAND型フラッシュメモリ、エッジサーバには3D-SLC NAND型フラッシュメモリ、クラウドサーバには3次元積層した抵抗変化型メモリをそれぞれ用いる。
今年度はさまざまな特性を持つストレージワークロードを用いてメモリシステムの評価を行い、ボトルネックの原因を明らかにした。エッジサーバ向けの3D-SLC NAND型フラッシュメモリシステムでは、メモリエラー訂正のエラー訂正符号の種類によって、訂正能力の低いECCではネットワークボトルネック、訂正能力の高いECCではメモリボトルネックとなる。クラウドサーバ向けの3次元積層した抵抗変化型メモリシステムでは、読み出し・書き込みアクセスが多いと、上層にプロセスばらつきがある場合、ネットワークボトルネックとなることを明らかにした。
|
