圖靈獎得主展望新黃金時代，拿什麼拯救摩爾定律？

圖靈獎得主展望新黃金時代，拿什麼拯救摩爾定律？

計算機體系結構頂會ISCA-18上周結束，圖靈獎得主John Hennessy和David Patterson發表特邀報告，展望體系結構新的黃金時代。本屆會議近1/3的論文關於神經網路加速器，專用領域架構和軟硬體協同設計是最受關注的議題。谷歌、Facebook等非傳統硬體公司的存在感也愈發強烈。加州大學聖芭芭拉分校（UCSB）謝源課題組神經網路架構研究團隊博士後胡杏、鄧磊、謝新峰、谷芃和劉瀏對大會技術趨勢做了總結。

ISCA是計算機體系結構領域的頂級會議，本屆ISCA的亮點無疑是新當選的圖靈獎得主、體系結構領域的兩位宗師級人物John L. Hennessy和David A. Patterson做的特邀報告。

本文將先從兩點陣圖靈獎得主的報告講起，總結會議關鍵技術趨勢，展現與會專家的觀點與評論，最後對論文接收和子領域熱度等會議情況進行介紹。

從這屆會議中可以發現四大關鍵技術趨勢，

1 專用架構與軟硬體協同設計將是未來專有化架構研究趨勢，也將是走出摩爾定律困境一個富有前景的方向；

2 神經網路加速器開始從設計走向落地；

3 由於Meltdown和Spectre，硬體安全性得到更多關注。安全領域的研究方法除軟體、系統，也需要從體系結構的層面來進一步加強；

4 RISC-V為敏捷開發提供了可能，未來可能成為開源硬體的基礎。

Turing Lecture：體系結構迎來新的黃金時代

在本次大會的圖靈講座（Turing Lecture）上，2017年榮獲圖靈獎的John L. Hennessy和David A. Patterson首先簡要回顧了計算機體系結構的發展史，總結了目前體系結構研究的兩大挑戰：通用處理器性能提升的停滯和體系結構安全的問題。

兩位演講者提及到上世紀80年代是體系結構發展的黃金時期，諸如RISC、超標量處理器（superscalar）、多層緩存（multilevelcaches）、預測技術（speculation）、編譯器優化（compileroptimization）等等體系結構創新，使得計算機性能每年提升約60%。在上世紀90年代到21世紀初，由於體系結構創新的放緩，計算機性能的提升主要依賴於工藝技術的進步、更高的時鐘頻率和更大的緩存。

目前，隨著摩爾定律（Moore』s Law）和登納德縮放比例定律（Dennard Scaling）的放緩甚至停滯，單處理器核心的性能每年的提升已降為3%左右。與此同時，近來的計算機漏洞幽靈（Spectre）和融毀（Meltdown），均利用了體系結構設計的缺陷，而體系結構的安全性問題在近幾十年來沒有得到體系結構研究者和設計者的足夠關注。

對於這些挑戰，兩位演講者總結了體系結構新的機遇：（1）軟硬體協同設計（Hardware/Software Co-Design）和高層專用語言（High-Level and Domain-Specific Languages）；（2）計算機體系結構安全性的提升；（3）開源體系結構設計（Free and Open Architectures and Open-Source Implementations）；（4）創新的敏捷晶元開發（Agile Chip Development）。

這其中（1）強調了專用體系結構（Application Specific IC/Architecture）和專用編程語言（Domain Specific）的開發，對於提升特定領域性能、功耗和開發效率的重要性，尤其是神經網路（neural network）、圖計算（graph computation）等新興且需要高性能計算的領域。（2）強調了安全應該和性能同樣地受到體系結構設計研究的重視，尤其是防止信息泄露和邊信道攻擊（Side-channel attack）。（3）強調了體系結構設計開源，尤其是指令集架構（Instruction Set Architecture）開源的重要性。兩位演講者介紹了他們近幾年在RISC-V方面所作的工作。最後，（4）強調了怎樣縮短晶元開發的時間和成本這兩個核心要素。他們認為敏捷開發（Agile development process）可以使得較小的研究開發組可以反覆迭代地在短時間內廉價地開發產品原型。最終的目標是體系結構的研究者可以利用這種開發方式，得以流片（tape-out）驗證有價值的設計方案。

非硬體公司存在感增強，機器學習影響架構和編程語言

在keynote方面，本次大會邀請了Kim Hazelwood（Facebook Research），Kunle Olukotun（斯坦福大學）以及Doug Burger（Microsoft Research），分別針對Facebook的機器學習、軟體2.0（機器學習怎樣影響架構和編程語言）和數據流架構（Explicit Dataflow Execution）進行了介紹。

值得一提，本次大會同時頒發了 Eckert-Mauchly Award，這是計算機體系結構領域最崇高的獎項，此前John Hennessy和David Patterson也先後獲得過這一榮譽。

今年Eckert-Mauchly Award的獲獎者是華盛頓大學（University of Washingtons Paul G. Allen School of Computer Science & Engineering）的Susan Eggers教授，基於她對同步多線程體系結構和多核共享和一致性問題的貢獻。她也是首位獲此殊榮的女性。Susan Eggers本身經歷比較傳奇，她在本科拿到經濟學學士後，在其他領域工作了十年才轉到計算機領域，47歲時博士畢業到華盛頓大學開始教職生涯。

此外，Gabriel Loh本次因在三維堆疊架構領域的傑出貢獻，獲得Maurice Wilkes獎，Wilkes獎每年一次，主要表彰推動體系結構工業發展的個人。Gabriel Loh於 2010年加入AMD，2013年成為AMD Fellow。

技術趨勢預測：專用領域架構全棧設計和軟硬體協同，神經網路加速器從設計到落地

1、專用領域語言 (Domain Specific Language) 與專用領域架構(Domain Specific Architecture)計算模型與架構硬體能力的抽象至關重要。

針對專用領域或者應用的架構設計仍是今年ISCA的一大焦點，隨之而來的是專用領域語言與硬體的設計又被帶入了大眾的視野。隨著專用領域架構的發展，對這些架構進行支持的編程語言也受到了廣泛的關注。這種考慮專用應用領域的架構與語言的軟硬體協同設計方法將會是未來專有化架構研究的一個趨勢，以及這將成為走出摩爾定律帶來的困境的一個富有前景的方案。

在圖靈獎演講中，2017年圖靈獎獲得者John Hennessy教授指出了，隨著摩爾定律的終結，我們需要新的計算機架構研究方法。他預言，計算機架構團隊縱向整合的時代即將復興，體系結構設計者將如過去一樣，不僅需要了解底層器件，工藝，以及電路的知識，也需要有著對編程語言以及編譯器的了解。John在總結中慷慨激昂地提到：「一切舊的東西又是新的！(Everything old is new again!)」

John Hennessy在演講中指出，隨著摩爾定律的終結，我們需要新的計算機架構研究方法。圖片來自ACM Twitter

在ISCA第二天的keynote中，來自斯坦福大學的Kunle Olukotun教授介紹了他們對於軟體2.0時代的計算機系統研究。他們指出了神經網路應用對計算機硬體設計帶來了極其難得的機遇，最重要的是，該應用對於硬體的一些正確性指標有著相對強大的容錯能力，比如內存一致性與計算精確度。同時，在他的演講中，Kunle也強調了全棧優化的重要性。在他們的研究中，他們提出了若干並行計算的模式，並針對這些專用模式進行專用領域硬體的設計，極大提升了在專用領域硬體的性能，以及通過開發專用領域語言減輕了軟體開發者在新興架構上開發高性能程序的壓力。

專用領域帶來了新的機會，這些新的機會幫助我們設計新硬體，也讓軟體開發變得更加高效。從這些研究中，我們也看到了軟硬針對專用協同設計的未來！

2、神經網路加速器從設計到落地：加速器落地真實物理系統及全系統優化

縱觀近兩年神經網路加速所採用的模型壓縮演算法，主要包括對於神經元狀態和權重連接參數的稀疏化和低比特量化，以及加速器硬體優化策略，主要包括處理單元數據復用、存儲計算一體化、存儲器優化等，對加速器性的提升幾乎已經做到了極致的優化。從最初的純硬體優化到如今的演算法和硬體協同優化，使得神經網路加速器的優化空間逐漸收縮，基於現有方法和技術很難再實現大幅度的性能改善。在這樣的情況下，未來會逐漸發生從如何設計加速器到如何使用加速器的轉變，從設計加速器本身到設計全系統，並最終落地現實應用場景。

一方面，需要儘快構建神經網路加速器的編程抽象模型、編程語言和編譯器，從而促進加速器的模塊化、標準化和易用性；另一方面，需要根據不同應用場景，選擇對應特性的加速器進行真實物理系統設計、優化和實現，從而促進加速器落地於現實生活。正如兩點陣圖靈獎獲得者JohnL. Hennessy and David A. Patterson在演講中提到的兩大熱點：專用域架構（Domain-specific Architecture）和專用域語言（Domain-specific Language），接下來學術界和產業界會更加關註上層語言的設計和開發。

同時，在移動平台分會場，來自康奈爾大學的Mark Buckler和來自羅徹斯特大學的Yuhao Zhu在演講中均展示了如何把神經網路加速器作為一個IP模塊進行移動視覺系統設計和優化。由此可見，神經網路加速器的標準化或開源化，對於加速器的推廣和應用至關重要。

3、安全性受到關注。安全領域的研究方法除軟體，系統，也需要從體系結構的層面來進一步加強

針對最近的體系結構安全性問題（Meltdown& Spectre Design Flaws），本次大會的專家討論（panel discussion）邀請了5位專家和教授：Mark Hill作為主持人，Paul Kocher, Ruby B. Lee, Simha Sethumadhavan和Timothy Sherwood作為嘉賓對安全問題展開了討論。Paul指出了現有系統設計主題思想是面向性能，而缺乏安全性分析和設計。雖然性能的量化指標豐富且成熟，但安全性指標的量化體系並沒有建立，比如緩存行為，預測器，debug模式，以及功耗，內部感測器等等對安全性的影響。由於量化分析方法的缺乏，加上微體系結構設計本身對軟體開發者不開放，導致系統構建時存在一些錯誤的安全性假設，也無法做性能和安全性的聯合優化和管理。Ruby Lee，Samira和Tim都認為體系結構社區需要對安全性投入更多關注，設計安全性能感知的計算機體系結構十分重要。

4、RISC-V為敏捷開發提供了可能，未來可能成為開源硬體的基礎

從兩點陣圖靈獎得主的演講當中，我們可以看到RISC-V作為開源精簡指令集對專用領域架構的重要性。隨著數據中心定製化硬體的普及，例如谷歌TPU和微軟Brainwave，硬體架構師不能僅模擬單節點而把問題留給流片後的測試，也需要模擬定製化部分。然後缺少高效和可擴展的模擬環境阻礙著新一代Warehouse-Scale Computers (WSCs) 的發展。

來自加州大學伯克利Krste Asanovi教授團隊的FireSim填補了這一項空白；也正是主推RISC-V的團隊。通過利用雲端FPGA，FireSim結合基於RISC-V的Rocket Chip和cycle-accurateC++ switch模型可以模擬多達4096個核心和16TB存儲器。

同樣是來自伯克利的另一項工作，針對GarbageCollection設計了硬體加速器，並且集成到RocketChip 當中。整個系統從JavaVM到Linux再到FPGA全面地展示了端到端模擬能力。同時，在關於RISC-V對計算機體系結構研究的workshop（CARRV）當中，基於RISC-V 的工具鏈在包括模擬器，加密，和數字信號處理中都影響著學界和業界。

大會概況：28%的論文有關神經網路加速器，清華大學入選一篇

1、神經網路加速依舊火熱

神經網路加速器依舊持續火熱，除兩個機器學習系統分會場外，還分布於雲數據中心、新型應用加速、新型計算範式、內存持久性、新型存儲器、移動平台等各大分會場。

神經網路加速器共計接收18篇論文（28%），從研究內容可分為：DNN推理加速（10篇）、移動系統（3篇）、脈衝神經網路（2篇）、DNN訓練加速（1篇）、GAN加速（1篇）、編程指令集架構（1篇）。

論文主要來自於美國，包括微軟、伊利諾伊大學香檳分校（UIUC）、威斯康星大學、密歇根大學、康奈爾大學、羅徹斯特大學、喬治亞理工學院、加州大學聖地亞哥分校（UCSD）、加州大學伯克利分校（UCB）、佛羅里達大學、ARM、高通（Qualcomm）、英偉達（NVIDIA）等，4篇來自於亞洲：清華大學、首爾國立大學（SNU）和新加坡國立大學（NUS），2篇來自於歐洲加泰羅尼亞理工大學（UPC）。

本屆大會對於DNN推理階段的加速優化呈現多樣化，以DNN推理加速的10篇論文為例，3篇針對稀疏網路（解決自動語音識別系統中由於網路裁剪導致的分類置信度下降和執行時間增長的問題；通過預測零狀態輸出神經元從而去除與其相關的冗餘計算）、3篇針對低比特量化網路（利用數據量化後狀態有限的特性從而共享重複的神經元激活狀態和權重參數狀態，達到減小計算的目的；設計支持量化比特數可變的加速器方案，提高對量化網路支持的通用性）、2篇進行SRAM緩存計算（Processing in SRAM）、1篇進行eDRAM刷新優化（對於生命周期較短的數據不進行刷新，從而極大降低功耗）、1篇面向FPGA數據中心（提升數據中心對於用戶推理需求的響應時間）。

2、機器學習與系統得到深入探討

機器學習與系統設計之間的關係也在此次大會中進行了深入的探討，主要包括兩個方向：1）為機器學習應用構建加速系統；2）使用機器學習方法加速系統設計。大會第一天keynote由Kim Hazelwood介紹Facebook在第一個技術方向的嘗試和探索。Kim認為除計算瓶頸外，存儲瓶頸和軟體瓶頸也是系統構建時要考慮的關鍵因素。AIDArchworkshop討論了第二個技術方向。DanielSchanwz 教授和Cliff Young介紹了體系結構領域中使用機器學習方法來優化系統設計，以及軟硬體聯合優化的重要性和可能性。

3、基礎框架和模擬器

DNN加速器模擬：來自Gerogia Tech和NVIDIA Research的團隊在這次ISCA tutorial公布了兩個支持快速高效DNN加速器設計的工具：MAESTRO和MAERI。MAESTRO是針對不同卷積dataflow的分析工具。用戶可以通過改變loop-ordering，loop unrolling, spatial tiling和temporal tiling來模擬不同的dataflow，並且能在用戶定義的處理單元數目和緩存大小下估計運行時間和能耗。參數化和模塊化的DNN加速器生成器MAERI可以輸出RTL，並且通過ASIC或者FPGA設計流程估計性能功耗和面積。目前MAERI支持卷積，LSTM，pooling，和全連接層，已經完整的DNN模型運行。

GPU模型。AMD Research在gem5中擴展了APU模型。該模型使用基於GCN gen3ISA 的GPU時序並且支持開源Radeon OpenCompute Platform (ROCm)。用戶可以在gem5APU 模擬器上運行C++，OpenMP，HIP，和OpenCL編寫的應用，包括傳統的GPU workloads和機器學習應用。由於APU中GPU直接與主存交互，針對GPU的訪存優化得以更方便在gem5中驗證。除此之外，來自康奈爾大學的研究人員在workshop中展示了在gem5中基於RISC-V的多核心模擬器。

4、其他方向

對於編程語言的動態功能以及系統進行從體系結構層面進行支持，在今年ISCA的論文中受到了廣泛的關注。在編程語言的動態功能支持上，來自UCB的Martin Maas等人展示了針對Java內存管理中垃圾回收的硬體優化。對於系統層面的支持，本次ISCA錄用文章的關注點仍然在內存，包括內存模型，虛擬內存，內存一致性，內存持久性（Memory Persistence）。

除此之外，新型互連架構也受到了一定程度的關注，這些互連架構有一些關注於晶元間的互連，另一些則關注分散式系統中的網路互聯。最後，關於資源分配，一個傳統操作系統最關鍵的任務之一，來自UIUC的Josep Torrellas教授等人提出了基於健壯控制理論（Robust Control Theory）的分層資源控制方法，極大提升資源分配的效率。

綜上所述，在今年ISCA中，從體系結構對於操作系統以及編程語言的支持，尤其是內存系統的支持，仍然有廣泛的關注。這其中的許多研究，都圍繞著基於加速器的異構系統以及基於持久性內存的系統所帶來的問題。我們期待這些研究對於實際的新興架構部署能提供強有力幫助。

了解更多

Turing Lecture slides：http://iscaconf.org/isca2018/docs/HennessyPattersonTuringLectureISCA4June2018.pdf

Turing Lecture視頻：https://www.acm.org/hennessy-patterson-turing-lecture

Kunlekenote slides：http://iscaconf.org/isca2018/docs/Kunle-ISCA-Keynote-2018.pdf

Panel：http://iscaconf.org/isca2018/docs/isca_panel_2018_meltdown_spectre.pptx

（未註明來源圖片由作者提供）

（本文首發於新智元微信公眾號：AI_era，歡迎關注！）

推薦閱讀：