Detail publikace

Adaptive and Energy-Efficient Architectures for Machine Learning: Challenges, Opportunities, and Research Roadmap

SHAFIQUE, M.; HAFIZ, R.; JAVED, M.; ABBAS, S.; SEKANINA, L.; VAŠÍČEK, Z.; MRÁZEK, V. 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. p. 627-632. ISBN: 978-1-5090-6762-6.
Název česky
Adaptivní a energeticky účinné architektury pro strojové učení: Výzvy, příležitosti a další výzkum
Typ
článek ve sborníku konference
Jazyk
anglicky
Autoři
Shafique Muhammad (FIT)
Hafiz Rehan (FIT)
Javed Muhammad Usama (FIT)
Abbas Sarmad (FIT)
Sekanina Lukáš, prof. Ing., Ph.D. (UPSY)
Vašíček Zdeněk, doc. Ing., Ph.D. (UPSY)
Mrázek Vojtěch, Ing., Ph.D. (UPSY)
Klíčová slova

machine learning, approximate computing, deep learning, neural networks, energy efficiency

Abstrakt

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.

Rok
2017
Strany
627–632
Sborník
2017 IEEE Computer Society Annual Symposium on VLSI
ISBN
978-1-5090-6762-6
Vydavatel
IEEE Computer Society Press
Místo
Los Alamitos
DOI
10.1109/ISVLSI.2017.124
EID Scopus
2-s2.0-85027254355
BibTeX 
@inproceedings{BUT144454,
  author="Muhammad {Shafique} and Rehan {Hafiz} and Muhammad Usama {Javed} and Sarmad {Abbas} and Lukáš {Sekanina} and Zdeněk {Vašíček} and Vojtěch {Mrázek}",
  title="Adaptive and Energy-Efficient Architectures for Machine Learning: Challenges, Opportunities, and Research Roadmap",
  booktitle="2017 IEEE Computer Society Annual Symposium on VLSI",
  year="2017",
  pages="627--632",
  publisher="IEEE Computer Society Press",
  address="Los Alamitos",
  doi="10.1109/ISVLSI.2017.124",
  isbn="978-1-5090-6762-6",
  url="https://www.fit.vut.cz/research/publication/11474/"
}
Nahoru