Fakulta informačních technologií VUT v Brně

Detail publikace

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

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.
Název česky
Adaptivní a energeticky účinné architektury pro strojové učení: Výzvy, příležitosti a další výzkum
Typ
článek ve sborníku konference
Jazyk
angličtina
Autoři
Shafique Muhammad (TU-Wien)
Hafiz Rehan (ITU-Lahore)
Javed Muhammad Usama (ITU-Lahore)
Abbas Sarmad (ITU-Lahore)
Sekanina Lukáš, prof. Ing., Ph.D. (UPSY FIT VUT)
Vašíček Zdeněk, doc. Ing., Ph.D. (UPSY FIT VUT)
Mrázek Vojtěch, Ing., Ph.D. (UPSY FIT VUT)
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
Konference
IEEE Computer Society Annual Symposium on VLSI, Bochum, DE
ISBN
978-1-5090-6762-6
Vydavatel
IEEE Computer Society Press
Místo
Los Alamitos, US
DOI
BibTeX
@INPROCEEDINGS{FITPUB11474,
   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 = "https://www.fit.vut.cz/research/publication/11474"
}
Soubory
Nahoru