Full-stack evaluation of Machine Learning inference workloads for RISC-V systems

建筑模拟器在RISC-V研究中扮演着至关重要的角色，为工作负载评估提供了一个关键平台，而不需要昂贵的物理原型。它们作为一个动态环境，用于探索创新的架构概念，使得快速迭代和全面分析性能指标成为可能。随着深度学习算法的普及，基准测试新架构与机器学习负载的性能变得至关重要。深度学习算法中使用的各种计算核心突显了对综合编译工具链映射到目标硬件平台的必要性。本研究利用开源的架构模拟器gem5以及基于多级中间表示（MLIR）的开源编译工具链，评估了在RISC-V架构上广泛的机器学习工作负载的性能。此外，本研究还揭示了gem5在模拟RISC-V架构时的当前限制，并为未来的发展和完善提供了见解。

在RISC-V研究中，如何评估机器学习工作负载的性能，同时避免昂贵的物理原型？

使用gem5作为动态环境，结合基于MLIR的开源编译工具链，评估了RISC-V体系结构上的各种机器学习工作负载的性能，重点关注深度学习推理工作负载。

实验结果表明，RISC-V体系结构在处理深度学习推理工作负载方面表现良好。研究还揭示了gem5模拟RISC-V体系结构的当前限制，并提供了未来发展和改进的见解。

最近的相关研究包括“基于RISC-V的加速器设计”和“使用RISC-V进行机器学习加速”。