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}
}

Nacházíte se v sekcích

Hlavní menu

Prof. Ing. Lukáš Sekanina, Ph.D.