Energieffektiv Hårdvaruaccelerator för Gated Recurrent Unit (GRU)

Neural Networks are a subset of Machine Learning which are designed to recognize patterns. Recurrent Neural Networks are an important part of AI (Artificial Intelligence) which allows for short term as well as long term dependencies to be captured. Processing of sequential data such as audio and speech has become more efficient due to deep learning algorithms for neural networks like GRU (Gated Recurrent Unit). GRU helps in avoiding long term dependencies and they are designed to remember data for the long run. However, hardware implementation of recurrent neural networks can consume a lot of power and area, as well as require a large amount of memory. As a result, they become less efficient for devices that are battery-powered. In this thesis, a hardware implementation of GRU is carried out which consumes less power and uses less memory compared to state of the art hardware accelerators. Upon implementation, the memory usage is significantly reduced by 78%. Furthermore for 22nm, the area of the core is424,950.764μm2 and the overall power of the design is1.051mW. The design can be adapted to different network sizes making it scalable and programmable. Neurala nätverk är en subkategori av maskininlärning som är utformad för att känna igen mönster. RNN är en viktig del av AI (artificiellintelligens) som gör det möjligt att fånga både kortsiktiga och långsiktiga samband. Bearbetning av sekventiell data som ljud och tal har blivit mer effektivt på grund av djupinlärningsalgoritmer för neurala nätverk som GRU (Gated Recurrent Unit). GRU hjälper till att undvika långsiktiga samband och de är utformade för att komma ihåg data på långsikt. Emellertid kan hårdvaruimplementering av återkommande neurala nätverk förbruka mycket ström och yta, samt kräva en stor mängd minne. Som ett resultat blir de mindre effektiva för enheter som är batteridrivna. I denna avhandling genomförs en hårdvaruimplementering av GRU som förbrukar mindre ström och använder mindre minne än en toppmodern hårdvaruaccelerator. Vid implementering minskar minnesanvändningen avsevärt med 78%. Dessutom för 22nm är kärnans area 424950,764 μm2 och konstruktionens totala effekt är1,051mW. Designen kan anpassas till olika nätverksstorlekar vilket gör den skalbar och programmerbar