La unidad vectorial RISC-V recientemente revelada podría usarse para aplicaciones de IA, HPC y GPU


Semidynamics ha presentado una de las primeras unidades de vector RISC-V de la industria que podría usarse para procesadores altamente paralelos, como los que se usan para inteligencia artificial (AI), computación de alto rendimiento (HPC) e incluso procesamiento de gráficos si está equipado con especial especial. -Propósito IP. El anuncio marca un hito importante en el desarrollo del ecosistema RISC-V.

La unidad vectorial de Semidynamics es totalmente compatible con RISC-V Vector Specification 1.0 y ofrece una gran cantidad de características adaptables adicionales que mejoran sus capacidades de procesamiento de datos. La VU se compone de varios «núcleos vectoriales», que son comparables a los núcleos de GPU de AMD, Intel y Nvidia, y están diseñados para ejecutar varios cálculos simultáneamente. Cada núcleo vectorial está equipado con unidades aritméticas que pueden realizar operaciones como suma, resta, multiplicación fusionada, suma, división, raíz cuadrada y operaciones lógicas.

El núcleo vectorial desarrollado por Semidynamics se puede personalizar para admitir varios tipos de datos, incluidos FP64, FP32, FP16, BF16, INT64, INT32, INT16 o INT8, según las necesidades específicas de la aplicación del cliente. Los clientes también pueden elegir la cantidad de núcleos vectoriales que se incorporarán a la Unidad Vector, con opciones de 4, 8, 16 o 32 núcleos, lo que proporciona un amplio espectro de posibilidades de compensación de potencia y área de rendimiento.

(Crédito de la imagen: semidinámica)

La unidad vectorial de Semidynamics cuenta con una red de alta velocidad que conecta todos los núcleos vectoriales, lo que facilita la combinación de datos para instrucciones RISC-V específicas. Excepcionalmente, Semidynamics permite la personalización del tamaño de bits del registro vectorial (VLEN), ofreciendo relaciones 2X, 4X y 8X además del 1X estándar. Cuando VLEN es más grande que el ancho total de la ruta de datos (DLEN), las operaciones de vector toman varios ciclos, lo que puede ayudar a administrar las latencias de la memoria y reducir el uso de energía.



Source link-41