Instrument / sparsity-energy

存算一体和神经形态计算的能效,何时来自计算本身,何时来自数据稀疏性?

稀疏负载的收益取决于事件生成、索引与同步开销;高稀疏并不自动等于高能效。

回到 CIM / neuromorphic 研究档案

Interactive model / software simulation

稀疏与事件能耗模型

把稀疏度、CIM 效率与事件开销放在一起,观察能效优势何时被控制开销吃掉。

LOCAL MODEL
统一为 GFLOP-equivalent
GOP
可跳过的零值比例
%
相对数字基线的倍数
索引、同步与路由开销
%
目标器件功耗
W
在该模型下,稀疏和 CIM 的组合仍有明显理论收益,需用真实负载验证。

有效运算

1GOP稠密运算 × (1 - 稀疏度)

有效吞吐比

2.46×CIM 收益 × 事件开销后的相对值

近似能耗指数

5.37pJ用于比较配置,不是器件实测
EVIDENCE NOTE

简化能耗模型;不替代器件级仿真。

Primary reading

先读原始来源,再相信模型