【论文解析】基于开源 Matrix 指令集扩展（矢量点积）的高性能 RISC-V 处理器“香山”（nanhu 版本）的 LLM 加速的研究
作者及发刊详情
摘要
正文
主要工作贡献
1）针对大模型自定义矢量点积扩展指令，并设计了专用硬件加速大语言模型的运算
2）基于香山处理器增加矢量点积计算单元和流水线处理逻辑，开发了包含上述指令的处理器nanhu-vdot
3）在FPGA上做测试，硬件资源和功耗几乎没有增加，矢量点积运算速度相比标量方法提高了 4 倍以上
4）在FPGA上进行GPT-2的推理，速度比纯软件实现提高了30%
实验评估
实验验证平台：Xilinx VU19P FPGA
选用模型： GPT-2
选用了三种模型。
工具：
- 该测试系统基于香山处理器的操作系统环境
- 通过测试接口将os可执行文件传输到FPGA的DDR中
- 模型代码和推理程序存在linux的临时文件系统中
PPA
性能
对 GPT-2 小型模型、中型模型、大型模型的推理速度提升分别为 30.9%、27.8%、27.9%。
资源消耗
nanhu-vdot 相比“香山”(nanhu 版本)增加 15677 个 LUT 单元，占比 2.8%，增加 2486 个 Flip-Flop 单元，占比 0.9%，BRAMs 未增加。
功耗
“香山”(nanhu 版本)的功耗开销为 8.454W，nanhu-vdot 功耗为 8.494W。nanhu-vdot 相比于“香山”(nanhu版本)的功耗仅增加 0.5%.
软硬协同设计
硬件：编写矢量点积计算定制自定义扩展指令的单元设计代码，对矢量点积进行加速，与高性能处理器“香山”(nanhu 版本)一起编译，生成可仿真的比特流。
软件：
- 增加自定义矢量点积计算指令
- 修改编译器，使其支持扩展的指令
- 修改 GPT-2 开源 C/C++代码,其中对于 int8 类型矢量点积计算部分通过汇编指令调用硬件执行单元,在调用硬件前后进行数据类型转换,最终通过硬件的加速计算得到文本输出。
自定义点积扩展指令
- R-type 译码模式
- Inst[11:7]表示交换后数据写回的目的寄存器号
模型修改
实现 GPT-2 大模型推理中元素类型为 int8 的矢量点积计算实现
硬件设计
设计了矢量点积计算单元和流水线处理逻辑，即VDOTU模块。
与CPU的集成方式
- 将矢量点积扩展指令与高性能处理器“香山”(nanhu 版本)的流水线紧密、耦合。
- 充分利用 “香山”的现有译码逻辑、寄存器堆和功能单元，尽可能减少额外的面积开销
- 作为流水线中的执行部件，如下图中的EXE单元
VDOTU模块
该模块作为扩展指令的核心执行单元，采用SIMD向量化的执行方式。
- VDOTU 默认配置为 8bit 的整形计算
- 包含八路 8-bit 乘法器和七个加法器
- 输出采用 64-bit，与处理器的通用寄存器大小一致
参考文献
评
该工作的硬件设计较为简单，大量的工作在原软件工作，特别是模型算子的移植。
值得借鉴的是该方案的测试流，极大的简化的软件工作，详细参考实验评估部分。