工程師說 | 面向AD/ADAS的SoC的AI性能優(yōu)化

Yuji Obayashi? ?Principal Software Engineer

本文介紹了瑞薩在早期設計階段針對自動駕駛（AD）和高級駕駛輔助系統(tǒng)（ADAS）的SoC中用于AI處理的深度神經(jīng)網(wǎng)絡（DNN）加速器的性能、電路尺寸和功耗的工作內容。

背景

近年，隨著深度學習（DeepLearning）人工智能（AI）技術的進步，我們的生活中出現(xiàn)了許多直接有益的應用場景，例如自動翻譯精度的提升和根據(jù)消費者喜好的個性化推薦。截至2023年，AI在某些領域已經(jīng)成為產品和服務中不可或缺的應用，其中之一就是自動駕駛（AD）和先進駕駛輔助系統(tǒng)（ADAS）。

以深度神經(jīng)網(wǎng)絡（DNN）為代表的最新人工智能模型的處理需要大規(guī)模的并行計算，因此在PC開發(fā)中通常使用通用的GPU進行并行計算。另一方面，用于AD和ADAS的SoC多數(shù)搭載了專用電路（以下簡稱加速器），實現(xiàn)了低功耗和高性能的DNN處理。然而，在SoC開發(fā)的早期階段，確認搭載的加速器能否在實際所需的DNN中提供足夠的性能通常并不容易。性能比較的指標常常使用加速器設計上的最大計算性能TOPS（Tera Operations Per Second）值，或者其與運行時消耗的功率相除得到的TOPS/W值。然而，由于加速器是針對特定處理的專用設計（*1），即使TOPS值足夠高，在實際所需的DNN中也可能由于存在無法高效處理的計算或數(shù)據(jù)傳輸帶寬不足等問題而無法提供足夠的性能。此外，加速器的功率增加可能導致整個SoC的功耗超過可接受的范圍。

（*1）專用設計：雖然使用通用GPU作為加速器也是可能的，但處理特定任務的硬件，可以在較小的電路規(guī)模和功耗下獲得更高的處理性能。例如瑞薩的車載SoC R-Car V3H、R-Car V3M和R-Car V4H搭載的加速器具有專為處理DNN中使用卷積操作進行特征提取的卷積神經(jīng)網(wǎng)絡（CNN）任務而設計的結構。

隨著SoC開發(fā)的深入，由于性能不足或功耗過大等原因而進行設計變更的難度普遍增加，對SoC開發(fā)進度和開發(fā)成本的影響也隨之增加。因此，在開發(fā)面向車載AI設備的SoC時，確認搭載的加速器能否在實際顧客產品中所需的DNN中提供足夠的性能，并且功耗是否在可接受范圍內，已成為迫切的問題。

面向AD/ADAS的一般AI開發(fā)流程

在解釋如何解決上述問題之前，先簡單介紹一下AD/ADAS的AI開發(fā)流程。下面的圖1展示了在AD/ADAS中以軟件為核心，并包括部分SoC開發(fā)的AI開發(fā)流程的示例。

圖1：AD/ADAS中AI開發(fā)流程的例子

圖1將整個開發(fā)工作分為六個階段，其中第2和第3階段為SoC電路設計，其他第1和第4-6階段為軟件開發(fā)。下面給出了每個階段的工作概述。

第一階段 AI Application/Service Common Development

利用PC和云環(huán)境，以應對市場需求和技術趨勢，開發(fā)面向AD/ADAS的AI應用程序和服務。

第二階段 AI Accelerator Detail Design

涵蓋了構成加速器硬件的部件設計，如計算單元、內部存儲器和數(shù)據(jù)傳輸單元。

第三階段 AI Accelerator Configuration

在第三階段中，第二階段中設計的組件被組合起來，以優(yōu)化面積、功率和性能之間的權衡，同時確定加速器在SoC中的配置以實現(xiàn)各自的設計目標。

第四階段 DNN Model Architecture Design

在第三階段中確定的加速器配置被用來優(yōu)化每個用于客戶產品的DNN網(wǎng)絡的結構。

第五階段 DNN Inference Optimization

將針對經(jīng)過第四階段結構優(yōu)化的每個網(wǎng)絡進行適用于加速器的代碼生成，并進行精度和處理時間的詳細評估。同時，將對代碼和模型數(shù)據(jù)進行優(yōu)化，以提高性能。

第六階段 Application Development

將使用第五階段中優(yōu)化的代碼和模型數(shù)據(jù)，將AI處理部分嵌入到實際的自動駕駛等處理中，并進行應用的實現(xiàn)和評估。

瑞薩的工作

在上一節(jié)所示的AD/ADAS中的AI開發(fā)流程中，判斷實際使用的DNN是否能夠在所配備的加速器上提供足夠的性能，通常需要在決定加速器配置的第三階段AI Accelerator Configuration中進行決策。

傳統(tǒng)上，在這一階段的決策是通過使用類似加速器的現(xiàn)有SoC進行的基準測試結果來估計的，但對于因增加或改變功能而與現(xiàn)有SoC規(guī)格不同的部分，無法獲得基準測試結果，因此無法通過高度精確的估計來確定是否能達到設計目標。

瑞薩通過使用PPA Estimator（PPA：Performance，Power，Area）而不是現(xiàn)有的SoC基準測試來解決這個課題。PPA Estimator通過使用反映加速器每個組件設計的性能和功率計算模型，使性能和功耗在加速器配置最終確定之前得到估算。具體來說，列出可能的加速器配置（可改變的加速器參數(shù)的組合，如處理單元的數(shù)量和內部存儲器的容量）進行評估，選擇其中一個配置并與要評估的一個DNN一起輸入PPA Estimator中，以獲得所需的執(zhí)行時間和功耗。然后，可以針對所需評估的加速器配置和DNN的數(shù)量進行重復操作，收集數(shù)據(jù)，并找到最佳的加速器配置。如此，不僅可以確定一個特定的加速器配置和DNN組合是否有足夠的性能，而且還可以收集廣泛的數(shù)據(jù)并從中選擇最佳加速器配置。

此外，為了使第三階段AI Accelerator Configuration更加有效，瑞薩還通過將從PPA Estimator執(zhí)行結果中獲得的信息反饋給目標DNN的網(wǎng)絡模型，并行改進軟件方面的工作，也就是進行硬件-軟件聯(lián)合設計（co-design）。AI Accelerator Configuration階段的工作流程如下圖2所示。

圖2：AI Accelerator Configuration工作流程

瑞薩已開始將PPA Estimator應用于從2023年開始的一些帶有AI處理加速器的AD/ADAS的SoC的開發(fā)中，并計劃逐步擴大應用范圍。瑞薩將利用PPA Estimator的高度精確性能尋找最佳配置以開發(fā)高性能、低功耗的車載AI加速器。