剪刀（SCISSORS）：一种系统级错误检测技术，用于支持接近阈值运行的收缩阵列（systolic arrays）

《IEEE Computer Graphics and Applications》：SCISSORS: System Level Error Detection for Enabling Near-Threshold Operating Systolic Arrays

本文提出将算法基础容错（ABFT）集成到 systolic数组结构中，通过捕获低电压时的时序错误确保安全运行，有效降低功耗。实验表明该方案在32x32和64x64数组上实现11%和8%的开销，能效提升近两倍，并自适应解决电压-温度耦合问题中的逆温度依赖性挑战。

　　

摘要：

由于动态功率与电压呈二次方关系，降低电压是减少数字电路功耗的有效方法。然而，在较低电压下保持稳定运行具有挑战性，因为电路对工艺、电压和温度（PVT）变化的敏感性增加，这使得使用静态时序分析（STA）难以确定最佳工作点。虽然电路和设备级别的解决方案（如时序错误检测（TED）系统）可以实现较低电压下的运行，但它们会引入显著的开销和设计复杂性。在本文中，我们将基于算法的容错（ABFT）方法集成到收缩阵列（SA）的结构中，以便在电压降低时捕获时序错误，从而确保安全和优化的低电压运行。我们提出的方法SCISSORS展示了如何通过将一种简单的算法技术集成到阵列结构中，来削减用于矩阵运算的SA中的额外电压裕度。该解决方案不仅能够检测加速器中的错误，还能检测由芯片上内存和辅助电路的电压降低引起的错误。它可以通过硬件描述语言（HDL）完全实现，而无需对网表进行晶体管或电路级别的修改。在Zynq片上系统（SoC）上的实现表明，SCISSORS在32×和64× SA中的开销分别仅为11%和8%，同时实现了近2的能量效率提升。实验结果进一步表明，SCISSORS能够在运行时根据数字电路的电压-温度耦合行为自适应地调整电压，特别是针对逆温度依赖性（ITD）问题。

引言

最近的技术进步，如5G无线通信和深度神经网络（DNN），对高性能和节能计算提出了前所未有的要求。特别是基于矩阵的计算成为焦点，因为5G应用中的大多数繁重计算，如波束成形和大规模多输入多输出（MIMO）计算，都依赖于大规模矩阵运算。此外，大多数DNN计算（例如超过90% [1]）都是矩阵与矩阵的乘法运算。这导致了专门为矩阵运算设计的加速器的出现。尽管引入了高效的矩阵处理架构，但总功耗仍然被认为很高，因此需要寻找其他方法来进一步提高矩阵计算的能效。需要注意的是，从热角度来看，功耗会由于热量产生和热约束直接影响数字设计的性能 [2]。为了避免所谓的“功耗墙”，提高能效不仅对低功耗应用至关重要，对高性能系统也同样重要。