ACM体系结构和代码优化汇刊

Transformer模型已经成为自然语言处理（NLP）领域的一种主要方法，并且越来越多地部署在生产环境中。图形处理单元（GPU）已成为变压器的流行选择。。。

内存中计算（CIM）体系结构使用非易失性存储器（NVM）已成为解决传统冯·诺依曼体系结构中“内存墙”问题的一种很有前途的方法。CIM加速器可以执行算术或布尔逻辑操作。。。

参与者框架和类似的反应式编程技术广泛用于构建并发系统。它们承诺效率高，可以很好地扩展到分布式系统中的大量核心或节点。然而，它们也使程序员面临。。。

深度神经网络（DNN）在各种实际应用中取得了显著的成功。然而，运行深度神经网络（Deep Neural Network，DNN）通常需要数百兆字节的内存占用，因此很难部署到资源上。。。

微服务架构风格因其故障隔离能力、易于扩展应用程序和开发人员的灵活性而广受欢迎。然而，以微服务设计风格编写应用程序有其挑战。由于松散。。。

擦除代码广泛部署在现代存储系统中，导致其编码/解码操作的频繁使用。擦除码的编码/解码过程通常使用校验矩阵方法执行。然而，这。。。

密集线性代数运算在高性能计算（HPC）应用程序中经常出现，这使得它们的性能对于实现最佳可伸缩性至关重要。由于许多现代HPC集群包含多个GPU节点，BLAS操作。。。

动态图神经网络（DGNN）最近吸引了各个领域的大量研究关注，因为大多数真实世界的图都是固有的动态图。尽管进行了许多研究工作，但对于DGNN，现有的硬件/软件。。。

卷积是机器学习模型推理必须执行的计算量最大的操作之一。计算卷积的传统方法称为Im2Col+BLAS方法。本文提出SConv：一种直接的。。。

人工智能的迅速采用和云服务提供的便利性导致了对云中GPU的需求不断增长。通常，GPU作为PCIe设备物理连接到主机服务器。然而，主机服务器的固定程序集组合。。。

多芯片图形处理单元（GPU）系统对于将性能扩展到单个GPU芯片之外以用于各种重要的新兴应用至关重要。然而，多芯片GPU面临的一个关键挑战是如何克服。。。

在过去三十年中，内存子系统的创新主要是为了克服数据移动瓶颈。在本文中，我们关注内存技术的一个特定市场趋势：3D存储内存和缓存。我们调查。。。

无电池技术的发展取代了太空、深井和其他环境中的电池使用，以降低成本和污染。基于非易失性存储器（NVM）的处理器用于在断电时保存系统状态。此类设备。。。

从边缘计算到数据中心，深度神经网络推理已经成为许多系统的重要工作负载。为了降低在这些系统上运行的深度神经网络（DNN）的性能和功耗要求，修剪通常被用作一种优化方法。。。

近年来，摩尔定律保证的指数级性能增长已开始减弱。与此同时，像图像处理这样的新兴应用程序需要很高的计算性能。这些因素必然导致……的出现。。。

“极端边缘”¹智能传感器等设备对于部署机器学习来说是一个极具挑战性的环境。这些设备的微小能量预算超出了传统深度神经网络的可行性，尤其是在。。。

近年来，由于模型规模和复杂性的增加，深度学习在计算机视觉（CV）和NLP方面取得了巨大的成功。使用GPU等加速器训练深度学习模型通常需要大量迭代数据。。。