2023-05-012024-05-17https://scholars.lib.ntu.edu.tw/handle/123456789/688798隨著人工智慧應用越來越廣泛，神經網路模型的規模與複雜度也顯著地提升，如何設計一個高準確率、低硬體複雜度的神經網路便成為了重要研究主題。神經網路架構搜尋（Neural architecture search, NAS）可在大型搜尋空間中找尋一個具有最佳效能表現的神經網路架構，然而搜尋時間仍然相當長，即便使用大量GPU加速下仍然需要數天的時間才能完成一次神經網路之搜尋。本計畫之目標為設計一套完整神經網路架構搜尋之系統，包括硬體感知演算法、模型搜尋處理器、模型訓練及推論加速、分散式加速系統、記憶體內運算技術、與新興鐵電電晶體之記憶體設計。本計畫預計透過跨階層硬體優化技術實現最佳化神經網路架構搜尋，將分為兩個部分同時進行開發：以現有製程（CMOS）為基礎之神經網路搜尋系統晶片，以及使用前瞻元件（Post-CMOS）進行記憶體內運算之神經網路架構。本團隊將針對NAS開發其硬體加速器架構，並且整合成完整NAS加速系統晶片。另外本團隊也將研究鐵電電晶體之記憶體內運算，達到抗變異之高準確率訓練加速硬體設計，打破現今記憶體與計算間之存取限制。神經網路架構搜尋;跨階層最佳化;硬體加速器;記憶體內運算;混合精度;分散式運算;抗變異鐵電電晶體;積體電路設計;Neural architecture search (NAS); cross-layer optimization; hardware accelerator; compute-in-memory (CIM); mixed precision; distributed computing; variation-resilient FeFET; integrated circuits