人工智能应用随着深度学习技术的不断进步得到了突破性的发展。深度神经网络的研究过程中,通过增加网络层数以获得更好的神经网络性能已经被验证为一个有效的改进方向。然而,随着网络层数的不断加深,处理现有的深度神经网络过程中通常会面临计算复杂度高、计算数据量大和内存带宽受限等问题,对处理系统中的存储资源和计算资源提出了非常高的要求。如何解决系统面临的“内存墙”问题,减少深度神经网络处理过程中的数据移动开销,成为提升面向深度神经网络的处理系统中处理效率和能效的关键。随着深度神经网络研究的不断深入,许多新技术和新方法被应用在深度神经网络中,能够减少网络参数规模,提升网络的训练和推理效率。这些新技术和新方法对处理系统带来新的挑战。如何面向新兴深度神经网络处理过程中的计算和通信需求,针对性的进行加速策略和加速器架构设计,成为深度神经网络加速研究中的另一个重点。针对以上问题,本文开展相应的研究工作,从加速策略研究和加速器架构设计两个方面进行探索,面向特定的深度神经网络进行三维光电片上网络架构的研究,主要的成果和创新点包括:1.提出了一种基于逻辑处理单元集分割的高效映射策略LSMS。使用LSMS映射策略可以根据卷积层参数和处理阵列规模的不同,合理地将逻辑处理单元集进行分割并映射到物理处理阵列中。LSMS映射策略可以在任意大小的物理处理阵列中进行使用,同时能够提升物理处理阵列中处理单元的利用效率,因此能够获得更好的系统处理性能和加速效率。2.提出了面向卷积层处理加速的GAMS新型映射策略。GAMS中使用遗传算法对所提出的将卷积层计算和通信需求映射到物理处理阵列时造成的数据移动能耗开销模型进行求解,得到数据移动能耗最优的映射方案。GAMS映射策略可以将任意参数大小的卷积层计算和通信需求高效地映射到任意拓扑结构和参数规模的物理处理阵列中进行处理,能够降低卷积层处理过程中的数据移动能耗开销,提升物理处理阵列中处理单元的利用效率。提出了一种使用GAMS映射策略的三维光电混合片上网络加速器架构3DHOENoC,进一步提升处理卷积层时的效率。3.提出了一种面向新兴深度卷积神经网络的三维光电混合片上网络加速器架构CSSAL。CSSAL中通过对光网络层和电计算层进行单独设计,能够高效的实现广播、“一对多”和“多对一”通信,并且采用处理单元间交换单元实现了电计算层中相邻处理单元间的高效通信,使得CSSAL能够拥有更好的通信能力和系统并行性。CSSAL中通过设计分布式片上存储、可重配置算术逻辑模块和基于通道固定的处理策略,实现了对逐点卷积、逐通道卷积、挤压与激励模块和残差模块的高效处理,并且极大地减少了因与片外存储之间访存带来的数据移动能耗开销。CSSAL能够在降低系统数据移动能耗开销的同时,提升系统整体处理性能,获得更快的处理执行速度。