內存內計算
關注創建者：meishi3289 創建時間：2018-12-03
內存內計算的視頻教程
內存內計算的實例教程
當然，內存內計算的電路并不止于一種，其計算的精度也并不限于1-bit計算。但是，從以上的例子我們可以看出內存內計算的核心思想，一般是把計算都轉化為帶權重加和計算，把權重存在內存單元中，然后在內存的核心電路（如讀出電路）上做修改，從而讓讀出的過程就是輸入數據和權重在模擬域做點乘的過程，相當于實現了輸入的帶權重累加，即卷積。因為卷積是人工智能以及其他計算的核心組成部分，因此內存內計算可以被廣泛使用在這類應用中。內存內計算會使用模擬電路做計算，這也是它和傳統使用數字邏輯做計算的不同之處。
內存內計算的兩大推動力以及市場前景
人們十幾年之前就認識到了“內存墻”的問題，但是為什么內存內計算在這兩年才火起來呢？我們認為，最近內存內計算興起的背后有兩大動力。
第一個動力是基于神經網絡的人工智能的興起，尤其是人工智能希望能普及到移動端和嵌入式設備中，這樣能效比很高的內存內計算就獲得了關注。另外，神經網絡的一個特點是對于計算精度的誤差擁有較高的容忍度，因此內存內計算的模擬計算中引入的誤差往往可以被神經網絡所接受，也可以說內存內計算和人工智能（尤其是嵌入式人工智能）可謂是天作之合。
第二個動力是新的存儲器。對于內存內計算來說，存儲器的特性往往決定了內存內計算的效率，因此當帶有新特性的存儲器出現時，往往會帶動內存內計算的發展。舉例來說，最近很火的ReRAM使用電阻調制來實現數據存儲，因此每一位的讀出使用的是電流信號而非傳統的電荷信號。這樣一來，由于電流做累加運算是非常自然而然的操作（把幾路電流直接組合在一起就實現了電流的加和，甚至無需額外電路），因此ReRAM非常適合內存內計算，也確實有不少研究組已經在做相關的研究并發表了論文。
展開 硬件16核32線程，64G內存，無顯卡加速
工況1: Distributed 16 cores
工況2: Non Distributed，32 cores
計算用時比較:
工況1 工況2
用時 1h46m 5h49m
內存 12.6G 8.9G
結論: 用分布式(在solve中勾選Distributed復選框)計算，只能使用物理核數；用內存共享式(不勾選Distributed復選框)計算，可使用全部線程數。前者內存消耗大，但用時顯著少于后者，這就是ansys不建議用內存共享計算的原因。
注意此處分布式計算是軟件術語，不同于分布式機群(硬件概念)。
展開 基于上述方法設置了足夠大的內存后，但仍然出現該錯誤。具體原因：
Abaqus中每8GB的物理內存，使用的內存將不會超過2GB
在滿足上述條件的基礎上，最多使用內存限制為16GB。
遇到這個問題后，建議重新調整模型，減小inp文件的體量。目前尚未找到特別好的方法！
針對密度或漏電功耗進行優化的內存編譯器用于為近內存實現開發本地 SRAM，有時，此類實現可以實例化 1000 多個 MAC。MAC 可以利用新思科技基礎內核的一組原始數學函數，其中包括點積（一種常見的 AI 函數）等靈活函數。
此外，新思科技 DesignWare 多端口內存 IP 支持多達 8 個輸入或 8 個輸出，提高了計算架構內的并行性。隨著 AI 變得越來越普遍，多端口內存在設計中更加常見。
新思科技開發了一種專利電路，專門對內存計算創新的支持。圖 3 中所示的 Word All Zero 功能基本上消除了要處理的零。為什么要移動乘數零？Word All Zero 功能顯著降低了所需的計算量，并可將芯片內數據移動的功耗降低了60%以上。
圖 3：除了 Word All Zero 功能外，新思科技 DesignWare 嵌入式內存 IP 還提供多種特性，以解決功耗、面積和延遲挑戰
結語
目前，業內采用內存計算的速度還有待進一步觀察，不過，這項技術的前景，以及全新內存、創新電路和富有創意的設計師帶來的理念實踐，必將成為一項工程壯舉。很多時候，開發解決方案的過程，與獲得的最終結果一樣有趣。
作者：新思科技產品營銷經理 Ron Lowman
展開 在平時caenet論壇和ADINA學習群中，經常有人遇到ADINA求解器自動分配內存失敗，而不能進行計算求解的問題（如cannot allocate the memory）。08年年底的時候，我進行了一次較大規模的計算，也遇到了計算內存分配困難的問題，對相關內容進行查閱和計算調試后，在手動分配內存方面有了一定經驗，現將其整理公布給大家，以供ADINA學友們參考。7 F( L* _* o% j9 G( Z* B0 {! s
7 {4 Q- `. P% ^5 S! P6 Q0 {
但在此需要指出的是，以下經驗總結是基于結構模塊計算得出的，對其它模塊是否適用，實屬未知。并且，希望廣大ADINA學友遇到問題后，更多地去主動思考、查閱資料和解決問題，ADINA英文的help不可怕，稀缺的資料不可怕，最可怕的是一個等待和被動的學習態度。
ADINA中計算內存的手動分配技巧.rar
展開 
內存內計算的相關專題、標簽、搜索
內存內計算的最新內容
最近在開展分析時遇到錯誤如下：MAXIMUM SIZE OF STATIC WORKSPACE HAS BEEN EXCEEDED. CURRENT WORKSPACE SIZE IS 16384.00 MB. THE SIZE OF THE WORKSPACE CAN BE INCREASED USING THE SYSTEM ENVIRONMENT VARIABLE ABA_SINT_CAP.
掃碼瀏覽
單孔銷浮動初探(三)
01 研究背景
核電站正常運行期間，核反應堆廠房內的溫度較高，即使停堆后，此區域的溫度仍然維持在較高的水平。在停堆期間，高溫使得此區域維修工作無法正常進行，導致維修工期延長，因而需要設計輔助手段來給反應堆廠房內降溫。數值模擬方法對于方案的設計與驗證提供了有力工具。
此算例的目的是通過code_saturne來模擬反應堆廠房內的溫度場，研究反應堆部分設備的改變對整個反應堆廠房溫度造成的影響。
發現一個看似常規但很厲害的設置！在ISIGHT參數優化過程中，在單次計算文件不太大的情況下，緩存文件不至超過內存儲量，設置為在內存中緩存數據文件，計算速度可提升數倍！
我按照內存不足修改方法，修改了，為啥還是報這個內存不足錯誤，第一張圖是計算后錯誤提示，第二張圖是我在k文件中修改的，第三張圖是修改后計算報錯圖，為啥還是報內存不足錯誤提示。請大神指點。
一個測試模型(圓柱體)，solid186單元，節點數1736539，單元數421504。瞬態結構分析，步長0.02s，step end 1s。硬件16核32線程，64G內存，無顯卡加速
工況1: Distributed 16 cores
工況2: Non Distributed，32 cores
計算用時比較:
工況1 工況2
用時 1h46m
前言 大家好，我是薛哥。計算機房用電不用想都知道耗電率高，就按目前來說，我國大型數椐中心機房用電量比起先進國家差距比較大的，機房用電分配是：IT占44%，制冷占38%以上(有甚至的高達50%)，其余電源、照明占18%左右?？梢钥闯鲋评浜碾娛怯绊慞UE值的關鍵，空調冷是機房的耗電元兇。 終將渡過成長的海 01 正文 01 機房工作站、存儲等占地面積計算 機房面積計算公式： A(主機房面積)=F單臺占
不斷追求更高性能功耗比的人工智能 (AI) 算法，推動了特定硬件設計技術的發展，包括用于片上系統 (SoC) 設計的內存計算。最開始，內存計算主要公開出現在期望顛覆行業現狀的半導體初創企業中，但現在，許多行業龍頭也開始在底層使用內存計算技術。
使用內存計算的創新設計將顛覆 AI SoC 的格局。首先
房間內的氣流流動，考慮人體散熱，可以考慮顆粒物運動
Abaqus有非常豐富的單元庫，其中就有軸對稱單元，比如CAX4（I/R/H/T），當一個回轉結構具有某種載荷對稱性時，可以用它將三維模型縮減為軸對稱模型來分析，能減少大量的內存和分析時間，而同樣的模型規模，3D實體單元要更耗費計算資源。
那么，回轉結構受到側向彎曲或軸向扭轉的載荷時，有沒有類似的單元可以用呢？
橡膠阻尼器的內摩擦生熱分析-節點溫度云圖
比如，假設上圖中的阻尼器不再是長方體
