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
Hafiz Rehan
Javed Muhammad Usama
Abbas Sarmad
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 objemyprodukovaných dat v éře Big Data, Internet of Things (IoT) / Internet ofEverything (IoE) a kyberneticko-fyzikálních systémů (CSP) představují neustálerostoucí nároky na masivní zpracování, uchovávání a přenos dat. Tyto systémyneustále interagují s okolním světem ve scénářích, které jsou častonepredikovatelné, nebezpečné a s omezeními. Proto je kromě dosažení vysokévýkonnosti při daném příkonu nutné zajistit inteligentní chování, učení arobustnost. Moderní poznatky výzkumu umělé inteligence (hloubkové učení adalší metody strojového učení) zasáhly různé komunity. Tento článek představujevýzvy a příležitosti v oblasti vytváření energeticky účinných aadaptivních architektur pro strojové učení. Konkrétně se zaměřujeme na nováparadigmata, jako je přibližné počítání, která mohou přispět k dalšímu sníženípožadavků na příkon. Nejdříve článek pojednává o metodologii pro návrhenergeticky účinných akcelerátorů, zejména pro konvoluční hluboké neuronovésítě. Ukazuje, jak podrobná analýza datové cesty DNN dovoluje zvolitnejvýhodnější aproximované moduly a snížit příkon. Dále se zabývá využitímvícekriteriálních evolučních algoritmů pro realizaci adaptivních systémůstrojového učení v hardware. V závěru jsou shrnuty aktuální výzvy v tétooblasti a je diskutován plán pro budoucí výstavbu energeticky účinných a adaptivníchhardwarových akcelerátorů pro strojového učení.

Rok
2017
Strany
627–632
Sborník
2017 IEEE Computer Society Annual Symposium on VLSI
Konference
IEEE Computer Society Annual Symposium on VLSI, Bochum, DE
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/"
}
Soubory
Nahoru