Efficient Pruning and Acceleration of Encoder-Based LLM Transformers on eFPGAs
Notice bibliographique
Résumé
Transformer encoders such as Bidirectional Encoder Representations from Transformers (BERT) are widely adopted for Natural Language Processing (NLP) tasks, yet their computational and memory requirements hinder deployment on edge devices. While pruning reduces model size, most hardware friendly methods rely on structured, semi-structured, or pattern pruning at the expense of accuracy. Recent unstructured pruning methods have shown promising accuracy-efficiency tradeoffs but have only been demonstrated on decoder models and lack clear hardware deployment pathways. To address this problem, this work applies the state-of-the-art WANDA [17] pruning algorithm to BERT encoders and evaluates the accuracy of both unstructured and semi-structured sparsity regimes. To complement pruning and maximize inference efficiency, we propose a hardware architecture featuring a double-buffered systolic matrix-matrix multiplier with skip-zero support. This approach minimizes bitmask memory storage overhead and hides memory latency through fully overlapping compute and stream operations. Our approach is evaluated using the linear layers of the encoder as a representative workload and is implemented on the Digilent PYNQ-Z1 board, a resource-constrained Field-Programmable Gate Array (FPGA). Compared to dense baselines, our design achieves up to <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$1.67 \times$</tex> latency improvement with negligible accuracy degradation on the GLUE [28] benchmark.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».