GANPU：采用推测式双稀疏利用机制的高能效 GAN 多 DNN 训练处理器

基于摘要分析。本文研究资源与电池受限移动设备上的 GAN 本地训练，提出专用多 DNN 训练处理器 GANPU，通过自适应工作负载调度、双稀疏利用和轻量级零值位置推测，提高计算吞吐量与能效；其主要贡献是硬件架构与算法协同设计，而非新的 GAN 生成方法或 BCI 解码算法。 GAN 中不同网络和层的运算特性变化较大，使计算核心及带宽分配难以统一优化。为此，作者提出自适应时空工作负载复用，以提高单个 GAN 内多个 DNN 的硬件利用率；双稀疏架构利用输入与输出特征中的零值，跳过冗余计算，面向推理与训练中的 ReLU 稀疏性。另提出 exponent-only ReLU speculation（EORS），配合轻量级处理单元（PE），在推理时估计输出特征零值的位置。摘要未给出 EORS 的具体判定规则、误差处理或训练阶段适用方式，不能将其推断为所有训练计算的通用跳过机制。 作者报告，在 65-nm 工艺制造的芯片上，16-bit 浮点计算能效达到 75.68 TFLOPS/W，为其所比较当时最先进方案的 4.85 倍。摘要未说明对应 GAN、工作负载、稀疏度、吞吐量计算口径及对照硬件条件，因此该数值不能直接外推到其他模型或完整端侧训练系统。实验协议、消融及统计信息尚未验证，硬件实现与复现条件也需查阅全文。 本地训练可减少向服务器发送用户数据的需求，但这不等于消除所有隐私风险。材料未提供 EEG/BCI 任务、信号处理路径或适配评估，不据此生成神经信号性能结论或迁移实验建议。