“模型组件-硬件加速器”性能映射关系数据库

本数据集主要面向深度学习硬件体系结构设计与软硬件协同优化研究的需求建设。随着人工智能领域的快速发展，Transformer类模型的算力需求与能耗瓶颈日益凸显，深入评估不同底层硬件架构对其推理执行效率的影响，对于下一代AI芯片的设计具有重要的学术价值与工程意义。本数据资源基于SCALE-Sim、Maestro等周期级（Cycle-accurate）精度的硬件仿真器与工具链产生。研究团队选取了20个主流的Transformer类模型，在AdaFloat、BitFusion、Gemmini、MAERI和VTA这5种具有代表性的深度学习加速器体系结构上进行了全面的仿真验证。数据集主要记录了核心的“加速器-Transformer模型结构映射数据”与硬件参数配置，并详细导出了逐层的性能评估观测值，主要包括：执行时钟周期（Cycles）、计算核心能耗（E_Core）、片外内存交互能耗（E_DRAM）、片上缓存能耗（E_Buffer）以及静态能耗（E_Static）等关键指标。本数据集体量丰富，包含大量结构化的文本化报表与配置文件，为相关科研人员进行AI芯片设计空间探索、编译映射策略评估以及算力能效比分析提供了详实且标准化的基础数据支撑。