最近，ARM進一步公開了ML Procesor的一些信息。EETimes的文章“Arm Gives Glimpse of AI Core”[1] 和 AnandTech的文章“ARM Details “Project Trillium” Machine Learning Processor Architecture”分別從不同角度進行了介紹，值得我們仔細分析。
ARM公開它的ML Processor是在今年春節前夕，當時公布的信息不多，我也簡單做了點分析（AI芯片開年）。
這次ARM公開了更多信息，我們一起來看看。首先是關鍵的Feature和一些重要信息，2018年中會Release。
???
頂層架構
與最初公布的基本框圖相比，我們這次看到了更細化的模塊框圖和連接關系，如下圖所示。
MLP的頂層對外來看是個比較典型的硬件加速器，它有本地的SRAM，通過一個ACE-Lite接口和外部交互數據和主要的控制信息（指令）。另外應該還有一些控制信號，估計在這里略去了（可以參考Nvidia的NVDLA）。
在上圖中綠色箭頭應該表示的是數據流，紅色表示控制流。MLP中的CE共享一套DMA，Control Unit和Sync Unit，它的基本處理流程大概是這樣的：1. 配置Control Unit和DMA Engine；2. DMA Engine從外部（如DDR）讀入數據存在本地的SRAM中；3. Input Feature Map Read模塊和Weight Read模塊分別讀入待運算的feature map和weight，處理（比如Weight的解壓縮），并發送到MAC Convolution Engine（后面簡稱為MCE）；4. MCE執行卷積等操作，并把結果傳輸給Programmable Layer Engine（后面簡稱為PLE）；5. PLE執行其它處理，并將結果寫回本地SRAM；6. DMA Engine把結果傳輸到外部存儲空間（如DDR）。
在頂層標出的Broadcast接口，實現在多個Compute Engine（后面簡稱為CE）之間廣播feature map數據的功能。因此，基本的卷積運算模式是，相同的feature map廣播到多個CE，不同的CE使用不同的weight來和這些feature map進行運算。
從目前的配置來看，MLP包括16個compute engine，每個有128個MAC，即一共有16x128=2048個MAC，每個cycle可以執行4096個操作。如果要實現ARM所說的4.6TOPS的總的處理能力，則需要時鐘周期達到1.12GHz左右。由于這個指標是針對7nm工藝，實現問題不大。
???
MCE實現高效卷積
在MLP的架構中，MCE和PLE是最重要的功能模塊。MCE提供主要的運算能力（處理90%的運算），應該也是MLP中面積和功耗最大的部分。因此，MCE設計優化的一個主要目標就是實現高效的卷積操作。具體來講，MLP的設計主要考慮了以下一些方法，這些方法大部分我們之前也都討論過。
一個比較有趣的點是上面提到的“varied internal precision”。目前還不太清楚其具體的含義。不過對應用來說看到的應該是固定的8bit數據類型。至于對低精度Inference的支持，[1]中提供的信息是，“The team is tracking research on data types down to 1-bit precision, including a novel 8-bit proposal from Microsoft. So far, the alternatives lack support in tools to make them commercially viable, said Laudick.” 因此在第一版的MLP中，應該也不會看到低精度或者Bit-serial MAC了（參考AI芯片開年中對ISSCC2018出現的Bit-serial Processing的介紹）。
此外，數據的壓縮和對工藝的優化也是提高整體效率的主要手段。特別是工藝的優化，結合ARM的工藝庫，應該有比較好的效果，這也是ARM有優勢的地方。
???
PLE實現高效的可編程性
如下圖所示，PLE的結構基本是在一個ARM MCU基礎上擴展了Vector處理和NN處理的指令。在討論可編程性的時候，其出發點主要是NN算法和架構目前還在不斷演進。
我們前面已經分析了整個MLP的基本工作流程，MCE在完成了運算之后把結果傳輸給PLE。從這里可以看出，MCE應該是把結果發送到Vector Register File（VRF），然后產生中斷通知CPU。之后，CPU啟動Vector Engine對數據進行處理。具體如下圖所示。
對于做專用處理器的同學來說，這種scalar CPU+vector engine的架構并不陌生。這里，本地SRAM，VRF和PLE之外的Maing SRAM Unit（CE中的SRAM）之間有Load/Store單元和uDMA實現數據的傳輸，數據流也是比較靈活的。綜合來看，在MLP中，每個CE中都有一個PLE和MCE配合，即每個MCE（128個MAC）就對應一個可編程架構。因此，ARM MLP的可編程性和靈活性是要遠高于Google TPU1和Nvidia的NVDLA的。當然，靈活性也意味著更多額外的開銷，如[1]中指出的，“The programmable layer engine (PLE) on each slice of the core offers “just enough programmability to perform [neural-net] manipulations””。High-efficient Programmability是MLP的一個主要賣點之一，而ARM的“just enough”是否真是最合適的選擇，還有待進一步觀察。
???
其它信息
在這次發布中信息中，ARM還強調了他們在數據壓縮方面的考慮，包括對lossless compression的硬件支持。這部分內容我在之前的文章中也有比較多的討論，就不再贅述了，貼幾張比較有意思的圖，大家看看。
作為一個IP核，可配置性（configurability）是一個重要的特征。目前還不知道MLP有哪些硬件參數可以支持靈活配置。Compute Engine的數量，MAC數量，SRAM大小，這些比較大的參數應該有可能是支持配置的。其它更細致的內容還要看最終發布的情況。另外，這些參數的配置和相關的軟件工具有非常密切的關系，更多的可配置參數也意味著軟件工具需要相應的支持，難度更大。[2]對此的說法：“In terms of scalability the MLP is meant to come with configurable compute engine setups from 1 CE up to 16 CEs and a scalable SRAM buffer up to 1MB. The current active designs however are the 16CE and 1MB configurations and smaller scaled down variants will happen later on in the product lifecycle.”
???
競爭態勢
除了比較中規中矩的性能指標外，ARM還沒有公布MLP具體的面積，功耗等參數，以及具體發布的日期（目前的說法是“production release of the RTL is on track for mid-year”）。
在這個已經比較“擁擠”的市場，ARM顯然是動作比較慢的。[1]一開始就提到了，“Analysts generally praised the architecture as a flexible but late response to a market that is already crowded with dozens of rivals.”并列舉了一些競爭對手的例子。
其實，從ARM在處理器IP市場和整個生態鏈的關鍵地位來看，晚一點關系也不大。如[1]所說，一方面，ARM正在和一些智能手機廠商進行深度的合作，“ In a sign of Arm’s hunger to unseat its rivals in AI, the company has “gone further than we normally would, letting [potential smartphone customers] look under the hood””。
ARM的另一個重要優勢是，ARM在推出MLP之前在軟件工具上還是有一些準備的，包括armnn和開源的計算庫等等，如下圖。
這些工具的廣泛使用都可以幫助ARM積累經驗，優化硬件和軟件工具。正如[1]中引用來自ARM的說法，“Winning the hearts and minds of software developers is increasingly key in getting design wins for hardware sockets...This is kind of the start of software 2.0. For a processor company, that is cool. But it will be a slow shift, there’s a lot of things to be worked out, and the software and hardware will move in steps.”
我們也看到，目前大量的嵌入AI應用還是運行在ARM的各種硬件上的，很多公司在相關算法和實現的優化上投入了很大的力量，也取得了很好的效果。當然這樣帶來另一個有趣的問題，那就是未來引入MLP之后，ML任務到底放到哪里跑？不同特點的處理器怎么配合？文章中正好也提到這個問題，“Arm will release more data on the core’s performance when it is launched, probably in mid-June. But don’t expect detailed guidance on when to run what AI jobs on its CPU, GPU, or new machine-learning cores, a complex issue that the company, so far, is leaving to its SoC and OEM customers.” 看來這個“難題”短期之內還是丟給用戶了。
另外一個值得關注細節是，[1]中提到，“Theoretically, the design scales from 20 GOPS to 150 TOPS, but the demand for inference in the Internet of Things will pull it first to the low end. Arm is still debating whether it wants to design a core for the very different workloads of the data center that includes training. “We are looking at [a data center core], but it’s a jump from here,” and its still early days for thoughts on a design specific for self-driving cars, said Laudick.”從這里可以看出，至少MLP在處理能力上還是具有比較強的伸縮性的，應該可以覆蓋從Edge到Cloud的大部分的inference應用。如果是最高的150TOPS，MAC的規模應該和Google第一代Inference專用的TPU類似，不過相比Google的脈動陣列架構，MLP有更復雜的控制通道，靈活性還是要高不少。不知道未來，這會不會幫助ARM打開data center的inference市場。