Prof. Ing. Lukáš Sekanina, Ph.D.
SHAFIQUE Muhammad, HAFIZ Rehan, JAVED Muhammad Usama, ABBAS Sarmad, SEKANINA Lukáš, VAŠÍČEK Zdeněk a MRÁZEK Vojtěch. Adaptive and Energy-Efficient Architectures for Machine Learning: Challenges, Opportunities, and Research Roadmap. In: 2017 IEEE Computer Society Annual Symposium on VLSI. Los Alamitos: IEEE Computer Society Press, 2017, s. 627-632. ISBN 978-1-5090-6762-6. | Jazyk publikace: | angličtina |
---|
Název publikace: | Adaptive and Energy-Efficient Architectures for Machine Learning: Challenges, Opportunities, and Research Roadmap |
---|
Název (cs): | Adaptivní a energeticky účinné architektury pro strojové učení: Výzvy, příležitosti a další výzkum |
---|
Strany: | 627-632 |
---|
Sborník: | 2017 IEEE Computer Society Annual Symposium on VLSI |
---|
Konference: | IEEE Computer Society Annual Symposium on VLSI |
---|
Místo vydání: | Los Alamitos, US |
---|
Rok: | 2017 |
---|
ISBN: | 978-1-5090-6762-6 |
---|
DOI: | 10.1109/ISVLSI.2017.124 |
---|
Vydavatel: | IEEE Computer Society Press |
---|
Soubory: | |
---|
| Klíčová slova |
---|
machine learning, approximate computing, deep learning, neural networks, energy efficiency |
Anotace |
---|
Gigantické objemy
produkovaných dat v éře Big Data, Internet of Things (IoT) / Internet of
Everything (IoE) a kyberneticko-fyzikálních systémů (CSP) představují neustále
rostoucí nároky na masivní zpracování, uchovávání a přenos dat. Tyto systémy
neustále interagují s okolním světem ve scénářích, které jsou často
nepredikovatelné, nebezpečné a s omezeními. Proto je kromě dosažení vysoké
výkonnosti při daném příkonu nutné zajistit inteligentní chování, učení a
robustnost. Moderní poznatky výzkumu umělé inteligence (hloubkové učení a
další metody strojového učení) zasáhly různé komunity. Tento článek představuje
výzvy a příležitosti v oblasti vytváření energeticky účinných a
adaptivních architektur pro strojové učení. Konkrétně se zaměřujeme na nová
paradigmata, jako je přibližné počítání, která mohou přispět k dalšímu snížení
požadavků na příkon. Nejdříve článek pojednává o metodologii pro návrh
energeticky účinných akcelerátorů, zejména pro konvoluční hluboké neuronové
sítě. Ukazuje, jak podrobná analýza datové cesty DNN dovoluje zvolit
nejvýhodnější aproximované moduly a snížit příkon. Dále se zabývá využitím
vícekriteriálních evolučních algoritmů pro realizaci adaptivních systémů
strojového učení v hardware. V závěru jsou shrnuty aktuální výzvy v této
oblasti a je diskutován plán pro budoucí výstavbu energeticky účinných a adaptivních
hardwarových akcelerátorů pro strojového učení. |
BibTeX: |
---|
@INPROCEEDINGS{
author = {Muhammad Shafique and Rehan Hafiz and Usama
Muhammad Javed and Sarmad Abbas and
Luk{\'{a}}{\v{s}} Sekanina and Zden{\v{e}}k
Va{\v{s}}{\'{i}}{\v{c}}ek and Vojt{\v{e}}ch
Mr{\'{a}}zek},
title = {Adaptive and Energy-Efficient Architectures for
Machine Learning: Challenges, Opportunities, and
Research Roadmap},
pages = {627--632},
booktitle = {2017 IEEE Computer Society Annual Symposium on VLSI},
year = {2017},
location = {Los Alamitos, US},
publisher = {IEEE Computer Society Press},
ISBN = {978-1-5090-6762-6},
doi = {10.1109/ISVLSI.2017.124},
language = {english},
url = {http://www.fit.vutbr.cz/research/view_pub.php.cs?id=11474}
} |
|